論文の概要: IDAL: Improved Domain Adaptive Learning for Natural Images Dataset

• arxiv url: http://arxiv.org/abs/2506.17931v1
• Date: Sun, 22 Jun 2025 07:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.654943
• Title: IDAL: Improved Domain Adaptive Learning for Natural Images Dataset
• Title（参考訳）: IDAL:自然画像データセットのためのドメイン適応学習の改善
• Authors: Ravi Kant Gupta, Shounak Das, Amit Sethi,
• Abstract要約: 自然画像に対する教師なし領域適応(UDA)のための新しいアプローチを提案する。 そのニューラルネットワークアーキテクチャは、ResNetの深い構造と、機能ピラミッドネットワーク(FPN)のスケールを効果的に分離して、コンテンツとスタイルの両方の特徴を扱う。 この調整された組み合わせは、マルチモーダル(マルチクラス)分布の上に発生するスケール、ノイズ、スタイルシフトといった自然画像固有の課題に対処するために設計されている。
• 参考スコア（独自算出の注目度）: 2.6733991338938026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel approach for unsupervised domain adaptation (UDA) for natural images. A commonly-used objective for UDA schemes is to enhance domain alignment in representation space even if there is a domain shift in the input space. Existing adversarial domain adaptation methods may not effectively align different domains of multimodal distributions associated with classification problems. Our approach has two main features. Firstly, its neural architecture uses the deep structure of ResNet and the effective separation of scales of feature pyramidal network (FPN) to work with both content and style features. Secondly, it uses a combination of a novel loss function and judiciously selected existing loss functions to train the network architecture. This tailored combination is designed to address challenges inherent to natural images, such as scale, noise, and style shifts, that occur on top of a multi-modal (multi-class) distribution. The combined loss function not only enhances model accuracy and robustness on the target domain but also speeds up training convergence. Our proposed UDA scheme generalizes better than state-of-the-art for CNN-based methods on Office-Home, Office-31, and VisDA-2017 datasets and comaparable for DomainNet dataset.
• Abstract（参考訳）: 自然画像に対する教師なし領域適応(UDA)のための新しいアプローチを提案する。 UDAスキームの一般的な目的は、入力空間にドメインシフトがあったとしても、表現空間におけるドメインアライメントを強化することである。 既存の対数領域適応法は、分類問題に関連する多重モーダル分布の異なる領域を効果的に整合させることができない。 このアプローチには2つの主要な特徴があります。 まず、そのニューラルネットワークアーキテクチャは、ResNetの深い構造と、機能ピラミッドネットワーク(FPN)のスケールを効果的に分離して、コンテンツとスタイルの特徴の両方を扱う。 第二に、ネットワークアーキテクチャをトレーニングするために、新しい損失関数と、司法的に選択された既存の損失関数の組み合わせを使用する。 この調整された組み合わせは、マルチモーダル(マルチクラス)分布の上に発生するスケール、ノイズ、スタイルシフトといった自然画像固有の課題に対処するために設計されている。 複合損失関数は、対象領域におけるモデル精度とロバスト性を向上するだけでなく、トレーニング収束を高速化する。 提案手法は,Office-Home,Office-31,VisDA-2017の各データセットにおけるCNN手法の最先端よりも優れ,DomainNetデータセットのコンパラブルである。

関連論文リスト

• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• TDACNN: Target-domain-free Domain Adaptation Convolutional Neural Network for Drift Compensation in Gas Sensors [6.451060076703026]
  本稿では,ターゲットドメインレスドメイン適応畳み込みニューラルネットワーク(TDACNN)に基づくディープラーニングを提案する。 主な概念は、CNNがサンプルのドメイン固有の特徴を抽出するだけでなく、ソースドメインとターゲットドメインの両方の基礎となるドメイン不変の特徴も抽出することである。 異なる設定下でドリフトする2つのデータセットの実験は、いくつかの最先端手法と比較してTDACNNの優位性を示している。
  論文  参考訳（メタデータ） (2021-10-14T16:30:17Z)
• 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)
• DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation [97.74059510314554]
  セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。 既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。 本稿では,新しいDual Soft-Paste (DSP)法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T16:22:40Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Joint Progressive Knowledge Distillation and Unsupervised Domain Adaptation [15.115086812609182]
  そこで本研究では,CNNの協調最適化手法として,対象領域に適合する圧縮モデルを提案する。 提案手法は,Office31 と ImageClef-DA の2種類の UDA 分類データセットを用いて,最先端圧縮と UDA 技術との比較を行った。
  論文  参考訳（メタデータ） (2020-05-16T01:07:03Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。