論文の概要: Unsupervised Dataset Dictionary Learning for domain shift robust clustering: application to sitting posture identification

• arxiv url: http://arxiv.org/abs/2506.19410v1
• Date: Tue, 24 Jun 2025 08:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.553431
• Title: Unsupervised Dataset Dictionary Learning for domain shift robust clustering: application to sitting posture identification
• Title（参考訳）: ドメインシフトロバストクラスタリングのための教師なしデータセット辞書学習:座位姿勢同定への応用
• Authors: Anas Hattay, Mayara Ayat, Fred Ngole Mboula,
• Abstract要約: 本稿では, 座位姿勢同定に適用した非教師なしロバストクラスタリングのための新しいアプローチ, Unsupervised dataset Dictionary Learning (U-DaDiL) を提案する。 U-DaDiLは、Wasserstein Barycenterベースの表現を使用して、異なるデータセットからの分布を調整することで、これらの課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel approach, Unsupervised Dataset Dictionary Learning (U-DaDiL), for totally unsupervised robust clustering applied to sitting posture identification. Traditional methods often lack adaptability to diverse datasets and suffer from domain shift issues. U-DaDiL addresses these challenges by aligning distributions from different datasets using Wasserstein barycenter based representation. Experimental evaluations on the Office31 dataset demonstrate significant improvements in cluster alignment accuracy. This work also presents a promising step for addressing domain shift and robust clustering for unsupervised sitting posture identification
• Abstract（参考訳）: 本稿では, 座位姿勢同定に適用した非教師なしロバストクラスタリングのための新しい手法, Unsupervised Dataset Dictionary Learning (U-DaDiL) を提案する。 従来の手法では、さまざまなデータセットへの適応性が欠如し、ドメインシフトの問題に悩まされることが多い。 U-DaDiLは、Wasserstein Barycenterベースの表現を使用して、異なるデータセットからの分布を調整することで、これらの課題に対処する。 Office31データセットの実験的評価では、クラスタアライメントの精度が大幅に向上した。 この研究は、教師なし着座姿勢同定のためのドメインシフトとロバストクラスタリングに対処するための有望なステップも提示する。

関連論文リスト

• Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
  対象データの識別クラスタリングとしてドメイン適応問題を再検討する。 本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。 5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
  論文  参考訳（メタデータ） (2023-02-23T13:03:48Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Unsupervised Person Re-identification with Stochastic Training Strategy [29.639040901941726]
  最先端の教師なしのre-IDメソッドは通常、クラスタリングベースの戦略に従う。 画像がセントロイドに近づくように強制すると、クラスタリングの結果が強調される。 従来手法では、異なるトレーニングイテレーションで得られた特徴を利用して1セントロイドを表現していた。 学習戦略を用いた教師なしのre-IDアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-16T07:23:58Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
  人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。 2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-07T17:16:41Z)

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。