論文の概要: Domain Adaptation Based Pipeline for Character Classification and Handwritten Text Recognition
- arxiv url: http://arxiv.org/abs/2611.17952v1
- Date: Fri, 13 Nov 2026 09:40:36 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:17.476865
- Title: Domain Adaptation Based Pipeline for Character Classification and Handwritten Text Recognition
- Title(参考訳): 文字分類と手書き文字認識のためのドメイン適応型パイプライン
- Abstract要約: 本稿では、ソースとターゲットドメイン間の分散ギャップを低減するために、教師なしドメイン適応に基づく新しいパイプラインを提案する。
本手法は,ソースとターゲット間の特徴分布を整列させることで,多様なデータセットにまたがってモデルを効果的に一般化することを可能にする。
76.17%のマクロF1スコアでDAGECCのトラック2で定義されたSafran-MNIST-DLSデータセット上で、新たな最先端技術を確立する。
- 参考スコア(独自算出の注目度): 0.9933521032564933
- License:
- Abstract: Character classification and handwritten text recognition, particularly in specialized tasks, often suffer from limited labeled data, while a large amount of unlabeled data remains unused. To address this challenge, we propose a novel unsupervised domain adaptation-based pipeline to reduce the distribution gap between source and target domains. Our pipeline follows three main steps. In the first step, we pretrained an expert model on source data, to learn a strong general representation. In the second step, we perform unsupervised domain adaptation to leverage unlabeled target data, adapting the model to the specific characteristics of the target domain. In the third step, we trained the expert model on source data in the target style. By aligning the feature distributions between the source and target, our method enables the model to generalize effectively across diverse datasets. The unsupervised training increases the computation time only during training not in inference. We evaluate the pipeline on both character-level and historical handwritten line recognition tasks, demonstrating its flexibility. We establish a new state-of-the-art on the Safran-MNIST-DLS dataset defined in Track 2 of the DAGECC competition with 76.17% Macro F1-score and achieve competitive results on each of the specific datasets of READ 2018 without using the labels of the target data. Code is available at https://github.com/simon-corbi/DRANet-for-classification-and-htr
- Abstract(参考訳): 文字分類と手書き文字認識は、特に特殊なタスクにおいて、ラベル付きデータに限られることが多いが、大量のラベル付きデータが未使用のままである。
この課題に対処するために、ソースとターゲットドメイン間の分散ギャップを低減するために、教師なしドメイン適応に基づく新しいパイプラインを提案する。
私たちのパイプラインは3つの主要なステップに従っています。
最初のステップで、私たちは、強力な汎用表現を学ぶために、ソースデータに関するエキスパートモデルを事前訓練しました。
2番目のステップでは、未ラベルのターゲットデータを活用するために教師なしのドメイン適応を行い、対象ドメインの特定の特性にモデルを適応させる。
3番目のステップでは、ターゲットスタイルでソースデータに基づいてエキスパートモデルをトレーニングしました。
本手法は,ソースとターゲット間の特徴分布を整列させることで,多様なデータセットにまたがってモデルを効果的に一般化することを可能にする。
教師なしのトレーニングは、推論を行わないトレーニング中のみ、計算時間を増大させる。
文字レベルと歴史的手書き文字認識タスクの両方でパイプラインを評価し,その柔軟性を実証した。
DAGECCのトラック2で定義されているSafran-MNIST-DLSデータセットを76.17%のマクロF1スコアで構築し、ターゲットデータのラベルを使わずにREAD 2018の各特定のデータセットの競争結果を達成する。
コードはhttps://github.com/simon-corbi/DRANet-for-classification-and-htrで公開されている。
関連論文リスト
- Domain-Division based Progressive Learning for Source-Free Domain Adaptation [73.44692421206774]
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。
論文 参考訳(メタデータ) (2026-07-31T09:21:56Z) - Similarity-Based Domain Adaptation with LLMs [13.692329347889212]
教師なしのドメイン適応は、様々なソースドメインからの豊富なラベル付きデータを活用し、ラベルなしのターゲットデータに一般化する。
本稿では,Large Language Models(LLM)の印象的な一般化機能をターゲットデータアノテーションに活用する,シンプルなフレームワークを提案する。
我々のフレームワークは,SOTA法と比較して2.44%の精度向上を実現している。
論文 参考訳(メタデータ) (2025-03-07T09:51:07Z) - Pseudo-label Based Domain Adaptation for Zero-Shot Text Steganalysis [10.587545153412314]
擬似ラベルとドメイン適応(教師なし学習)に基づくドメイン間ステゴテキスト分析法(PDTS)
我々は、ラベル付きソースドメインデータを用いてモデルをトレーニングし、自己学習を通じてラベルなしのターゲットドメインデータに対して擬似ラベルを用いて、ターゲットドメインデータ分布に適応する。
実験結果から,本手法はゼロショットテキストステガナリシスタスクにおいて良好に動作し,対象領域にラベル付きデータがない場合でも高い検出精度を実現し,現在のゼロショットテキストステガナリシス手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-06-01T04:19:07Z) - Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。
提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
論文 参考訳(メタデータ) (2022-10-04T15:20:01Z) - 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) - 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) - 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) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-25T14:33:33Z)
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。