論文の概要: Source-Free Domain Adaptation via Multi-view Contrastive Learning

• arxiv url: http://arxiv.org/abs/2507.03321v1
• Date: Fri, 04 Jul 2025 06:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.678854
• Title: Source-Free Domain Adaptation via Multi-view Contrastive Learning
• Title（参考訳）: マルチビューコントラスト学習によるソースフリードメイン適応
• Authors: Amirfarhad Farhadi, Naser Mozayani, Azadeh Zamanifar,
• Abstract要約: ドメイン適応は、ラベル付けデータに関連するコストが高いため、機械学習において広く採用されている。 現実のシナリオでは、プライバシー上の懸念はしばしば指紋、銀行口座の詳細、顔画像などの機密情報へのアクセスを制限する。 有望な解決策は Source-Free Unsupervised Domain Adaptation (SFUDA) である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation has become a widely adopted approach in machine learning due to the high costs associated with labeling data. It is typically applied when access to a labeled source domain is available. However, in real-world scenarios, privacy concerns often restrict access to sensitive information, such as fingerprints, bank account details, and facial images. A promising solution to this issue is Source-Free Unsupervised Domain Adaptation (SFUDA), which enables domain adaptation without requiring access to labeled target domain data. Recent research demonstrates that SFUDA can effectively address domain discrepancies; however, two key challenges remain: (1) the low quality of prototype samples, and (2) the incorrect assignment of pseudo-labels. To tackle these challenges, we propose a method consisting of three main phases. In the first phase, we introduce a Reliable Sample Memory (RSM) module to improve the quality of prototypes by selecting more representative samples. In the second phase, we employ a Multi-View Contrastive Learning (MVCL) approach to enhance pseudo-label quality by leveraging multiple data augmentations. In the final phase, we apply a noisy label filtering technique to further refine the pseudo-labels. Our experiments on three benchmark datasets - VisDA 2017, Office-Home, and Office-31 - demonstrate that our method achieves approximately 2 percent and 6 percent improvements in classification accuracy over the second-best method and the average of 13 well-known state-of-the-art approaches, respectively.
• Abstract（参考訳）: ドメイン適応は、ラベル付けデータに関連するコストが高いため、機械学習において広く採用されている。 通常はラベル付きソースドメインへのアクセスが可能である場合に適用される。 しかし、現実のシナリオでは、プライバシー上の懸念はしばしば指紋、銀行口座の詳細、顔画像などの機密情報へのアクセスを制限する。 この問題に対する有望な解決策は Source-Free Unsupervised Domain Adaptation (SFUDA) である。 最近の研究では、SFUDAはドメインの相違に効果的に対処できることが示されているが、(1)プロトタイプの低品質、(2)偽ラベルの誤割り当てという2つの大きな課題が残っている。 これらの課題に対処するために,3つの主要なフェーズからなる手法を提案する。 第1フェーズでは、より代表的なサンプルを選択することでプロトタイプの品質を向上させるために、信頼性の高いサンプルメモリ(RSM)モジュールを導入します。 第2フェーズでは,マルチビューコントラスト学習(MVCL)アプローチを用いて,複数のデータ拡張を活用することで,擬似ラベル品質を向上させる。 最終段階では、擬似ラベルをさらに洗練するためにノイズの多いラベルフィルタリング手法を適用する。 VisDA 2017、Office-Home、Office-31の3つのベンチマークデータセットに対する実験により、我々の手法は、第2のベストメソッドに比べて、およそ2%と6%の分類精度と、13の有名な最先端アプローチを達成できることを示した。

関連論文リスト

• TITAN: Query-Token based Domain Adaptive Adversarial Learning [0.0]
  我々は、適応中にソースデータが利用できなくなり、未ラベルのターゲットドメインに適応しなければならない場合、ソースフリー領域適応オブジェクト検出(SF-DAOD)問題に焦点を当てる。 この問題に対するほとんどのアプローチは、学生教育者(ST)フレームワークを用いた自己教師型アプローチを採用しており、疑似ラベルはソース事前学習モデルを介して生成され、さらなる微調整が行われる。 学生モデルの性能は,教師モデルが崩壊し,主に擬似ラベルの高雑音が原因で著しく低下することが多い。 信頼性の高い擬似ラベルを得るために,我々は提案する。
  論文  参考訳（メタデータ） (2025-06-26T17:12:58Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Towards Discriminative Representation Learning for Unsupervised Person Re-identification [37.32557301375426]
  教師なし方式で雑音耐性表現を学習するためのクラスタワイドコントラスト学習アルゴリズム(CCL)を提案する。 第2に、ソースとターゲットデータ間のドメインギャップを徐々に緩和するために、プログレッシブなドメイン適応戦略を採用する。 第3に、re-IDモデルのクラス分離性をさらに最大化するフーリエ拡張(FA)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T12:35:21Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets [102.62639692656458]
  本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-12-15T15:58:03Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。