論文の概要: Domain-Division based Progressive Learning for Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2607.29202v1
• Date: Fri, 31 Jul 2026 09:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.674119
• Title: Domain-Division based Progressive Learning for Source-Free Domain Adaptation
• Title（参考訳）: 領域分割に基づくプログレッシブラーニングによるソースフリードメイン適応
• Authors: Pan Liu, Jing Li, Meng Zhao, Wanli Xue, Qinghua Hu, Shengyong Chen,
• Abstract要約: ソースフリードメイン適応は、ソース事前訓練されたモデルとラベルなしのターゲットドメインのみを必要とする。 DPLというドメイン分割に基づくプログレッシブラーニング手法を提案する。 我々のアプローチは2つの交互段階から構成されており、それぞれが対象領域の分割から始まり、適応し易く、適応し難い状態になる。
• 参考スコア（独自算出の注目度）: 73.44692421206774
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With growing privacy and portability concerns, source-free domain adaptation requires only a source pre-trained model and an unlabeled target domain, allowing for effective adaptation to the target data. Most existing self-training methods focus on selecting and exploiting samples with reliable predictions, often neglecting others. Inspired by the finding that deep models learn clean samples faster than noisy ones, we propose a domain-division based progressive learning method named DPL. Specifically, our approach consists of two alternating stages, each beginning with the division of the target domain into easy-to-adapt and hard-to-adapt subdomains based on adaptation difficulty, followed by neighborhood-based pseudo label assignment. In stage one, we enhance classification accuracy through uncertainty-aware self-training and alignment of corresponding classes between subdomains. Stage two then applies tailored learning strategies to each subdomain, starting with consistency learning on the easy-to-adapt samples and progressing to utilizing local structural information for the more challenging ones, thereby mining the intrinsic properties of the target data. Extensive experiments on several widely used benchmarks validate the effectiveness of our approach, demonstrating superior performance compared to state-of-the-art methods. Our code is available at https://github.com/iamjingli/DPL.
• Abstract（参考訳）: プライバシとポータビリティの懸念が高まる中、ソースフリーのドメイン適応は、ソース事前訓練されたモデルとラベルなしのターゲットドメインのみを必要とし、ターゲットデータへの効果的な適応を可能にする。 既存の自己学習手法の多くは、信頼できる予測を伴うサンプルの選択と活用に重点を置いており、しばしば他人を無視している。 深層モデルがノイズよりも早くクリーンサンプルを学習できることに着想を得て,ドメイン分割に基づくプログレッシブラーニング手法DPLを提案する。 特に,本手法は2段階の交互段階で構成され,各領域を適応難度に基づく適応容易・適応困難サブドメインに分割し,次いで近傍に擬似ラベルを付与する。 ステージ1では、不確実性を認識した自己学習とサブドメイン間の対応クラスのアライメントにより、分類精度を向上させる。 ステージ2では、各サブドメインに調整された学習戦略を適用し、簡単に適応できるサンプルの一貫性学習から始まり、より困難なサンプルの局所構造情報の利用へと進み、ターゲットデータの本質的な特性をマイニングする。 提案手法の有効性を検証し,最先端の手法と比較して優れた性能を示した。 私たちのコードはhttps://github.com/iamjingli/DPL.comで公開されています。

関連論文リスト

• Multi-Prompt Progressive Alignment for Multi-Source Unsupervised Domain Adaptation [73.40696661117408]
  未ラベルの下流タスクにCLIPを適用するためのプログレッシブアライメント戦略を提案する。 私たちはアプローチをMP2Aと名付け、ImageCLEF、Office-Home、そして最も難しいDomainNetという3つの人気のあるUDAベンチマークでテストします。 実験によると、MP2Aは最新のCLIPベースのMS-UDAアプローチと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-31T09:42:42Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• 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)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• A simple baseline for domain adaptation using rotation prediction [17.539027866457673]
  目標は、あるドメインでトレーニングされたモデルを、注釈付きデータが少ない別のドメインに適応させることだ。 本稿では,自己教師付き学習に基づく簡易かつ効果的な手法を提案する。 提案手法は,DomainNetデータセット上での半教師付きドメイン適応における最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2019-12-26T17:32:04Z)

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。