論文の概要: SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation

• arxiv url: http://arxiv.org/abs/2501.19155v1
• Date: Fri, 31 Jan 2025 14:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 22:46:13.048055
• Title: SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation
• Title（参考訳）: SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation
• Authors: Zixi Wang, Yubo Huang, Wenwei Luo, Tonglan Xie, Mengmeng Jing, Lin Zuo,
• Abstract要約: ドメインシフトは、機械学習のパフォーマンスを損なう重要な問題である。 教師なしのドメイン適応(UDA)は、ドメインシフトが急激で急激なときに悩む。 そこで我々は,Sliding Window Adversarial Training (SWAT) を提案する。
• 参考スコア（独自算出の注目度）: 4.72359224946965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain shifts are critical issues that harm the performance of machine learning. Unsupervised Domain Adaptation (UDA) mitigates this issue but suffers when the domain shifts are steep and drastic. Gradual Domain Adaptation (GDA) alleviates this problem in a mild way by gradually adapting from the source to the target domain using multiple intermediate domains. In this paper, we propose Sliding Window Adversarial Training (SWAT) for Gradual Domain Adaptation. SWAT uses the construction of adversarial streams to connect the feature spaces of the source and target domains. In order to gradually narrow the small gap between adjacent intermediate domains, a sliding window paradigm is designed that moves along the adversarial stream. When the window moves to the end of the stream, i.e., the target domain, the domain shift is drastically reduced. Extensive experiments are conducted on public GDA benchmarks, and the results demonstrate that the proposed SWAT significantly outperforms the state-of-the-art approaches. The implementation is available at: https://anonymous.4open.science/r/SWAT-8677.
• Abstract（参考訳）: ドメインシフトは、機械学習のパフォーマンスを損なう重要な問題である。 教師なしのドメイン適応(UDA)はこの問題を緩和するが、ドメインシフトが急激で急激な場合に悩まされる。 Gradual Domain Adaptation (GDA)は、複数の中間ドメインを使用して、ソースからターゲットドメインに徐々に適応することによって、この問題を緩やかな方法で緩和する。 本稿では,Sliding Window Adversarial Training (SWAT) を提案する。 SWATは、ソースとターゲットドメインの特徴空間を接続するために、逆ストリームの構築を使用する。 隣接する中間領域間の小さなギャップを徐々に狭めるために、逆方向の流れに沿って移動するスライドウインドウパラダイムが設計されている。 ウィンドウがストリームの端、すなわちターゲットドメインに移動すると、領域シフトは劇的に減少する。 パブリックなGDAベンチマークで大規模な実験を行い、提案したSWATが最先端のアプローチを著しく上回っていることを示す。 実装は以下の通りである。 https://anonymous.4open.science/r/SWAT-8677。

関連論文リスト

• Open-Set Domain Adaptation for Semantic Segmentation [6.3951361316638815]
  対象ドメインが未知のクラスを含むセマンティック(OSDA-SS)を初めて導入する。 これらの問題に対処するため,BUS を作成したBundary and Unknown Shape-Aware Open-set Domain adaptationを提案する。 我々のBUSは、新しい拡張浸食に基づくコントラスト損失を用いて、未知のクラスと未知のクラスの境界を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-05-30T09:55:19Z)
• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• GLAD: Global-Local View Alignment and Background Debiasing for Unsupervised Video Domain Adaptation with Large Domain Gap [9.284539958686368]
  動作認識のための教師なしビデオドメイン適応(UVDA)の課題に対処する。 我々は,時間的ダイナミクスと背景シフトの両面において,ドメインギャップがかなり大きい,Kineetics->BABELという新しいUVDAシナリオを導入する。 本研究では,提案手法がKineetics->BABELデータセットの領域ギャップが大きい既存手法よりも大幅に改善されていることを実証的に検証した。
  論文  参考訳（メタデータ） (2023-11-21T09:27:30Z)
• AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain [11.764601181046496]
  本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。 本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。 提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-28T20:31:56Z)
• Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment [58.56087979262192]
  Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。 ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
  論文  参考訳（メタデータ） (2023-03-08T05:55:02Z)
• CDA: Contrastive-adversarial Domain Adaptation [11.354043674822451]
  我々はtextbfContrastive-adversarial textbfDomain textbfAdaptation textbf(CDA) と呼ばれるドメイン適応のための2段階モデルを提案する。 逆成分はドメインレベルのアライメントを促進するが、2段階のコントラスト学習はクラス情報を利用してドメイン間の高いクラス内コンパクト性を実現する。
  論文  参考訳（メタデータ） (2023-01-10T07:43:21Z)
• Gradual Domain Adaptation without Indexed Intermediate Domains [23.726336635748783]
  中間領域の配列を発見するための粗大なフレームワークを提案する。 提案手法は, 事前定義されたドメインシーケンスと比較して, 適応性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-07-11T02:25:39Z)
• Domain Confused Contrastive Learning for Unsupervised Domain Adaptation [45.40427576684924]
  本研究では,Unsupervised Domain Adaptation (UDA) を挑戦的な自己教師型アプローチで研究する。 課題の1つは、ターゲットラベルがない場合にタスクの識別を学習する方法である。 本稿では、ソースとターゲットドメインをブリッジするために、ドメイン混乱型コントラスト学習(DCCL)を提案する。
  論文  参考訳（メタデータ） (2022-07-10T23:23:38Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• ConDA: Unsupervised Domain Adaptation for LiDAR Segmentation via Regularized Domain Concatenation [10.65673380743972]
  ConDAは、LiDARセグメンテーションのための結合ベースのドメイン適応フレームワークである。 本稿では, エイリアスや偽ラベルによる負の効果を低減するために, アンチエイリアス・レギュレータとエントロピー・アグリゲータを提案する。
  論文  参考訳（メタデータ） (2021-11-30T09:53:24Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Towards Corruption-Agnostic Robust Domain Adaptation [76.66523954277945]
  新しいタスクである破損に依存しないロバストドメイン適応(CRDA:Corruption-agnostic Robust Domain Adaptation)を調査します。 1)予測不能な汚職を模倣するために,ドメインの不一致を拡大するサンプルを生成する,Digital Disrepancy Generator (DDG) と呼ばれる簡単なモジュール,2) 対象ドメインの制約を強化するために,対照的な損失を伴う単純かつ効果的な教師学習方式を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:27:48Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。