論文の概要: Open Set Domain Adaptation with Vision-language models via Gradient-aware Separation

• arxiv url: http://arxiv.org/abs/2505.13507v1
• Date: Fri, 16 May 2025 12:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.348046
• Title: Open Set Domain Adaptation with Vision-language models via Gradient-aware Separation
• Title（参考訳）: グラディエント・アウェア分離による視覚言語モデルによるオープンセット領域適応
• Authors: Haoyang Chen,
• Abstract要約: Open-Set Domain Adaptation (OSDA)は、既知のクラス分布をドメイン間で整合させるという2つの課題に直面している。 本稿では,これらの制約に対処するために,コントラスト言語-画像事前学習(CLIP)を活用することを提案する。
• 参考スコア（独自算出の注目度）: 0.6118897979046375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-Set Domain Adaptation (OSDA) confronts the dual challenge of aligning known-class distributions across domains while identifying target-domain-specific unknown categories. Current approaches often fail to leverage semantic relationships between modalities and struggle with error accumulation in unknown sample detection. We propose to harness Contrastive Language-Image Pretraining (CLIP) to address these limitations through two key innovations: 1) Prompt-driven cross-domain alignment: Learnable textual prompts conditioned on domain discrepancy metrics dynamically adapt CLIP's text encoder, enabling semantic consistency between source and target domains without explicit unknown-class supervision. 2) Gradient-aware open-set separation: A gradient analysis module quantifies domain shift by comparing the L2-norm of gradients from the learned prompts, where known/unknown samples exhibit statistically distinct gradient behaviors. Evaluations on Office-Home show that our method consistently outperforms CLIP baseline and standard baseline. Ablation studies confirm the gradient norm's critical role.
• Abstract（参考訳）: Open-Set Domain Adaptation (OSDA)は、ターゲットドメイン固有の未知のカテゴリを特定しながら、ドメイン間で既知のクラス分布を調整するという2つの課題に直面している。 現在のアプローチでは、モダリティ間の意味的関係を活用できず、未知のサンプル検出においてエラーの蓄積に苦労することが多い。 コントラスト言語-画像事前学習(CLIP)を利用して、これらの制限に対処することを提案する。 1) プロンプト駆動のクロスドメインアライメント: CLIPのテキストエンコーダを動的に適用し、明確な未知のクラス管理なしにソースとターゲットドメイン間のセマンティックな一貫性を実現する。 2) グラディエント・アウェアな開集合分離: 勾配解析モジュールは、学習プロンプトから勾配のL2-ノルムを比較して、領域シフトを定量化する。 Office-Homeの評価は、CLIPベースラインと標準ベースラインを一貫して上回っていることを示している。 アブレーション研究は勾配ノルムの重要な役割を裏付ける。

関連論文リスト

• Domain-Agnostic Mutual Prompting for Unsupervised Domain Adaptation [27.695825570272874]
  従来のUnsupervised Domain Adaptation (UDA)は、ドメイン間の分散の差を最小限にしようと努力している。 ドメイン非依存型Multual Prompting (DAMP) を提案する。 3つのUDAベンチマークの実験は、最先端のアプローチよりもDAMPの方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-03-05T12:06:48Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• 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)
• Contour-Aware Equipotential Learning for Semantic Segmentation [35.09077032446148]
  本研究では,意味的境界を学習し,推論するための等角的学習法を提案する。 本稿では,フィールド回帰と輪郭学習による境界セグメンテーション問題に対処するための最初の試みである。 提案するEPLモジュールは,セマンティック境界領域を認識する際に,既製の完全畳み込みネットワークモデルに有効である。
  論文  参考訳（メタデータ） (2022-10-01T08:45:44Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)
• Unsupervised Adaptive Semantic Segmentation with Local Lipschitz Constraint [11.465784695228015]
  局所的なリプシッツ制約に基づく2段階適応的セマンティックセマンティックセマンティクス法を提案する。 まず,ドメイン内知識を活用して異なるドメインを協調する目的関数を提案する。 第2段階では、各画素に対するリプシッツ性を満たす確率を推定するために局所リプシッツ正則化を用いる。
  論文  参考訳（メタデータ） (2021-05-27T04:28:45Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [26.21464286134764]
  本研究では、ラベル付きソースドメインとラベルなしターゲットドメインのシーケンスをモデルに提示する連続的なドメイン適応の問題について検討する。 本研究では,これらの障害を解決するために,グラディエント正規化コントラスト学習を提案する。 本手法は,ラベル付きソースドメインとラベル付きターゲットドメインを併用することにより,意味的識別性とドメイン不変性の両方を共同で学習することができる。
  論文  参考訳（メタデータ） (2020-07-25T14:30:03Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

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。