論文の概要: Attention Residual Fusion Network with Contrast for Source-free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2510.22142v1
• Date: Sat, 25 Oct 2025 03:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.835513
• Title: Attention Residual Fusion Network with Contrast for Source-free Domain Adaptation
• Title（参考訳）: ソースフリー領域適応のためのコントラスト付きアテンション残差フュージョンネットワーク
• Authors: Renrong Shao, Wei Zhang, Jun Wang,
• Abstract要約: ソースフリードメイン適応(SFDA)は、ソースドメイン上でモデルをトレーニングし、関連するターゲットドメインに適用する。 最近の研究は有望な結果を示しているが、ドメイン適応への多くのアプローチはドメインシフトに集中している。 本研究では, 負の移動とドメインシフトを軽減するために, SFDAのコントラスト学習に基づくARFNet(Attention Residual Fusion Network)の新たなフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.195870730342018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free domain adaptation (SFDA) involves training a model on source domain and then applying it to a related target domain without access to the source data and labels during adaptation. The complexity of scene information and lack of the source domain make SFDA a difficult task. Recent studies have shown promising results, but many approaches to domain adaptation concentrate on domain shift and neglect the effects of negative transfer, which may impede enhancements of model performance during adaptation. n this paper, addressing this issue, we propose a novel framework of Attention Residual Fusion Network (ARFNet) based on contrast learning for SFDA to alleviate negative transfer and domain shift during the progress of adaptation, in which attention residual fusion, global-local attention contrast, and dynamic centroid evaluation are exploited. Concretely, the attention mechanism is first exploited to capture the discriminative region of the target object. Then, in each block, attention features are decomposed into spatial-wise and channel-wise attentions to achieve the cross-layer attention residual fusion progressively and self-distillation. During adaptation progress, we contrast global and local representations to improve the perceptual capabilities of different categories, which enables the model to discriminate variations between inner-class and intra-class. Finally, a dynamic centroid evaluation strategy is exploited to evaluate the trustworthy centroids and labels for self-supervised self-distillation, which aims to accurately approximate the center of the source domain and pseudo-labels to mitigate domain shift. To validate the efficacy, we execute comprehensive experiments on five benchmarks of varying scales. Experimental outcomes indicate that our method surpasses other techniques, attaining superior performance across SFDA benchmarks.
• Abstract（参考訳）: ソースフリードメイン適応(SFDA)は、ソースドメイン上でモデルをトレーニングし、適応中にソースデータやラベルにアクセスすることなく、関連するターゲットドメインに適用する。 シーン情報の複雑さとソースドメインの欠如により、SFDAは難しい課題となる。 最近の研究は有望な結果を示しているが、ドメイン適応への多くのアプローチはドメインシフトに集中し、負の移動の影響を無視している。 本稿では, 適応の進行過程において, 負の移動とドメインシフトを緩和するために, SFDAのコントラスト学習に基づく, 注意残差, グローバルな注意コントラスト, ダイナミックセントロイド評価を利用した, 注意残差ネットワーク(ARFNet)の新たなフレームワークを提案する。 具体的には、まず注意機構を利用して対象物の識別領域を捕捉する。 そして, 各ブロックにおいて, 注意特徴を空間的, チャネル的注意に分解し, 層間注意残差融合を段階的に達成し, 自己蒸留する。 適応進行の過程では,グローバル表現と局所表現を対比して,異なるカテゴリの知覚能力を改善することにより,内クラスと内クラスの違いを識別することができる。 最後に, 自己教師型自己蒸留のための信頼性の高い遠心体とラベルを評価するために, 動的遠心体評価戦略を用いて, ソースドメインと擬似ラベルの中心を正確に近似し, ドメインシフトを緩和することを目的とする。 有効性を検証するため、様々なスケールの5つのベンチマークで総合的な実験を行う。 実験結果から, 本手法は他の手法よりも優れており, SFDAベンチマークにおいて優れた性能が得られたことが示唆された。

関連論文リスト

• Boosting Domain Generalized and Adaptive Detection with Diffusion Models: Fitness, Generalization, and Transferability [0.0]
  ディテクタは、トレーニングとテストデータのドメインギャップによって、しばしばパフォーマンス低下に悩まされる。 近年,領域一般化(DG)や適応(DA)タスクに応用された拡散モデルが研究されている。 単一段階拡散過程から中間的特徴を抽出することにより,これらの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2025-06-26T06:42:23Z)
• What Has Been Overlooked in Contrastive Source-Free Domain Adaptation: Leveraging Source-Informed Latent Augmentation within Neighborhood Context [28.634315143647385]
  ソースフリードメイン適応(SFDA)は、ラベル付きデータセットを使用してトレーニングされたモデルを適用して、ラベルなしデータセットで効果的に実行する。 この適応は、この2つの領域の間にデータ分布のかなりの相違が存在する場合、特に重要である。 対照的なSFDAに適した,単純かつ高効率な潜伏増強法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T20:09:46Z)
• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• DSD-DA: Distillation-based Source Debiasing for Domain Adaptive Object Detection [37.01880023537362]
  我々は、ドメイン適応オブジェクト検出(DAOD)のための新しい蒸留系ソースデバイアス(DSD)フレームワークを提案する。 このフレームワークは、事前訓練された教師モデルからドメインに依存しない知識を抽出し、両方のドメインにおける検出器の性能を向上させる。 また,DCE(Domain-Aware Consistency Enhancing)戦略を提案し,これらの情報を新たなローカライゼーション表現に定式化する。
  論文  参考訳（メタデータ） (2023-11-17T10:26:26Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)

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。