論文の概要: Domain Adaptation for Multi-label Image Classification: a Discriminator-free Approach

• arxiv url: http://arxiv.org/abs/2505.14333v1
• Date: Tue, 20 May 2025 13:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.251437
• Title: Domain Adaptation for Multi-label Image Classification: a Discriminator-free Approach
• Title（参考訳）: 多ラベル画像分類のための領域適応法:判別器フリーアプローチ
• Authors: Inder Pal Singh, Enjie Ghorbel, Anis Kacem, Djamila Aouada,
• Abstract要約: 本稿では, DDAMLIC for Unsupervised Image Classification (UDA) と呼ばれる, 識別不能な敵対的アプローチを提案する。 我々は、2成分ガウス混合モデル(GMM)を用いて、ソースとターゲットの予測の両方をモデル化し、2つの異なるクラスタを区別する。 提案するフレームワークは, 完全微分可能であるだけでなく, 標準EM法によって誘導される高価な反復プロセスを回避するため, コスト効率も高い。
• 参考スコア（独自算出の注目度）: 11.075823608370909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a discriminator-free adversarial-based approach termed DDA-MLIC for Unsupervised Domain Adaptation (UDA) in the context of Multi-Label Image Classification (MLIC). While recent efforts have explored adversarial-based UDA methods for MLIC, they typically include an additional discriminator subnet. Nevertheless, decoupling the classification and the discrimination tasks may harm their task-specific discriminative power. Herein, we address this challenge by presenting a novel adversarial critic directly derived from the task-specific classifier. Specifically, we employ a two-component Gaussian Mixture Model (GMM) to model both source and target predictions, distinguishing between two distinct clusters. Instead of using the traditional Expectation Maximization (EM) algorithm, our approach utilizes a Deep Neural Network (DNN) to estimate the parameters of each GMM component. Subsequently, the source and target GMM parameters are leveraged to formulate an adversarial loss using the Fr\'echet distance. The proposed framework is therefore not only fully differentiable but is also cost-effective as it avoids the expensive iterative process usually induced by the standard EM method. The proposed method is evaluated on several multi-label image datasets covering three different types of domain shift. The obtained results demonstrate that DDA-MLIC outperforms existing state-of-the-art methods in terms of precision while requiring a lower number of parameters. The code is made publicly available at github.com/cvi2snt/DDA-MLIC.
• Abstract（参考訳）: 本稿では,DDA-MLIC for Unsupervised Domain Adaptation (UDA) と呼ばれる,識別器のない敵対的アプローチについて,MLIC(Multi-Label Image Classification)の文脈で紹介する。 最近の試みでは、MLIC の敵対的 UDA 手法について検討されているが、それらは通常、追加の識別器サブネットを含んでいる。 それでも、分類と識別タスクの分離は、タスク固有の差別力を傷つける可能性がある。 本稿では,タスク固有の分類器から直接派生した,新たな敵対的批判を提示することによって,この問題に対処する。 具体的には、2成分ガウス混合モデル(GMM)を用いて、ソースとターゲットの両方の予測をモデル化し、2つの異なるクラスタを区別する。 従来の予測最大化(EM)アルゴリズムの代わりに、ディープニューラルネットワーク(DNN)を用いて各GMM成分のパラメータを推定する。 その後、ソースとターゲットのGMMパラメータを利用してFr'echet距離を用いて逆損失を定式化する。 提案するフレームワークは, 完全微分可能であるだけでなく, 標準EM法によって誘導される高価な反復プロセスを回避するため, コスト効率も高い。 提案手法は,3種類の領域シフトを対象とする複数ラベル画像データセットを用いて評価する。 その結果,DDA-MLICは,パラメータの少ない精度で既存の最先端手法よりも優れていた。 コードはgithub.com/cvi2snt/DDA-MLICで公開されている。

関連論文リスト

• ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
  ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。 本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。 クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2024-06-27T14:50:50Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Algorithm-Dependent Bounds for Representation Learning of Multi-Source Domain Adaptation [7.6249291891777915]
  我々は情報理論ツールを用いて、表現学習の観点からMDA(Multi-source Domain Adaptation)の新たな分析を導出する。 本稿では,結合アライメントによる目標シフトに暗黙的に対処する,新しい深度MDAアルゴリズムを提案する。 提案アルゴリズムは、目標シフトしたMDAベンチマークの最先端性能に匹敵し、メモリ効率が向上した。
  論文  参考訳（メタデータ） (2023-04-04T18:32:20Z)
• 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)
• Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification [11.825795835537324]
  マルチラベル画像分類(MLIC)のための識別器レス逆数型Unminator Domain Adaptation (UDA)を提案する。 提案手法は,3種類の領域シフトを対象とする複数ラベル画像データセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-01-25T14:45:13Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly Detection [75.68023968735523]
  知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。 非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。 我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。 ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
  論文  参考訳（メタデータ） (2022-10-19T12:04:47Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification [123.75412386783904]
  最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。 UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。 我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2021-08-22T09:57:14Z)
• Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation [22.852237073492894]
  Unsupervised Domain Adaptation (UDA) 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学習された知識を一般化することを目的としている。 本稿では,ソースサンプルとターゲットサンプルが生成する勾配の差を明示的に最小化する,クロスドメイン離散化(CGDM)手法を提案する。 対象サンプルの勾配信号を計算するために,クラスタリングに基づく自己教師型学習を通じて,対象の擬似ラベルを求める。
  論文  参考訳（メタデータ） (2021-06-08T07:35:40Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。