論文の概要: A Source-Free Approach for Domain Adaptation via Multiview Image Transformation and Latent Space Consistency

• arxiv url: http://arxiv.org/abs/2601.20284v1
• Date: Wed, 28 Jan 2026 05:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.792001
• Title: A Source-Free Approach for Domain Adaptation via Multiview Image Transformation and Latent Space Consistency
• Title（参考訳）: 多視点画像変換と遅延空間整合性による領域適応のソースフリーアプローチ
• Authors: Debopom Sutradhar, Md. Abdur Rahman, Mohaimenul Azam Khan Raiaan, Reem E. Mohamed, Sami Azam,
• Abstract要約: ドメイン適応(DA)は、ソースドメインからターゲットドメインへの知識の転送という課題に対処する。 既存のDAメソッドは、しばしばソースドメインデータへのアクセス、敵の訓練、複雑な擬似ラベル技術を必要とする。 本稿では,対象ドメインから直接ドメイン不変性を学習するための,新しいソースフリーなドメイン適応手法を提案する。
• 参考スコア（独自算出の注目度）: 1.931965175380089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation (DA) addresses the challenge of transferring knowledge from a source domain to a target domain where image data distributions may differ. Existing DA methods often require access to source domain data, adversarial training, or complex pseudo-labeling techniques, which are computationally expensive. To address these challenges, this paper introduces a novel source-free domain adaptation method. It is the first approach to use multiview augmentation and latent space consistency techniques to learn domain-invariant features directly from the target domain. Our method eliminates the need for source-target alignment or pseudo-label refinement by learning transferable representations solely from the target domain by enforcing consistency between multiple augmented views in the latent space. Additionally, the method ensures consistency in the learned features by generating multiple augmented views of target domain data and minimizing the distance between their feature representations in the latent space. We also introduce a ConvNeXt-based encoder and design a loss function that combines classification and consistency objectives to drive effective adaptation directly from the target domain. The proposed model achieves an average classification accuracy of 90. 72\%, 84\%, and 97. 12\% in Office-31, Office-Home and Office-Caltech datasets, respectively. Further evaluations confirm that our study improves existing methods by an average classification accuracy increment of +1.23\%, +7.26\%, and +1.77\% on the respective datasets.
• Abstract（参考訳）: ドメイン適応(DA)は、ソースドメインからターゲットドメインへの知識の転送という課題に対処する。 既存のDAメソッドは、しばしば、計算コストのかかる、ソースドメインデータ、逆行訓練、複雑な擬似ラベル技術へのアクセスを必要とする。 本稿では,これらの課題に対処するため,新しい領域適応手法を提案する。 これは、対象ドメインから直接ドメイン不変の機能を学ぶために、マルチビュー拡張と潜在空間整合性技術を使用する最初のアプローチである。 提案手法では,複数の拡張ビュー間の一貫性を保ちながら,移動可能な表現を対象領域からのみ学習することで,ソースターゲットアライメントや擬似ラベルリファインメントの必要性を解消する。 さらに、対象領域データの複数の拡張ビューを生成し、潜在空間における特徴表現間の距離を最小化することにより、学習した特徴の一貫性を確保する。 また、ConvNeXtベースのエンコーダを導入し、分類と一貫性の目的を組み合わせた損失関数を設計し、ターゲットドメインから直接効果的に適応する。 提案モデルでは,平均分類精度が90。 72\%,84\%,97。 Office-31、Office-Home、Office-Caltechの各データセットはそれぞれ12.2%だった。 さらに,各データセットの平均分類精度は+1.23\%,+7.26\%,+1.77\%と向上した。

関連論文リスト

• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Generalized Source-free Domain Adaptation [47.907168218249694]
  我々は、G-SFDA(Generalized Source-free Domain Adaptation)と呼ばれる新しいドメイン適応パラダイムを提案する。 目標性能は既存の DA 法や SFDA 法と同等かそれ以上であり、特に VisDA の最先端性能 (85.4%) を達成する。
  論文  参考訳（メタデータ） (2021-08-03T16:34:12Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
  ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。 いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。 我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
  論文  参考訳（メタデータ） (2021-01-29T18:40:17Z)
• 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)
• Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
  本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
  論文  参考訳（メタデータ） (2020-05-25T19:54:38Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。