抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
新しい展望から画像分類における教師なし領域適応(UDA)問題に取り組んだ。データ分布を整列するか,ドメイン不変特徴の学習のいずれかの既存の研究とは対照的に,明示的ドメイン適応なしに高次元均一特徴空間内の両ドメインに対する統一分類器を直接学習した。この目的のために,ターゲットドメインにおけるラベルなしサンプルを利用するために,効果的な選択的擬似Labeling(SPL)技術を採用した。驚くべきことに,ソースとターゲットドメインにわたるデータ分布不一致は,元の特徴空間で訓練された計算的に単純な分類器(例えば,浅いMulti-Layer Perceptron)によってよく扱われる。さらに,分類器訓練を強化するためのデータ増強戦略として,ターゲットドメインに対する合成特徴を生成するために,新しい生成モデルノルム-VAEを提案した。いくつかのベンチマークデータセットに関する実験結果は,擬似標識戦略自体が,多くの最先端の方法に匹敵する性能をもたらすことができる一方,特徴増強のためのノルム-VAEの使用は,ほとんどの場合,性能をさらに改良できることを証明した。その結果,提案の方法(即ち,ナイーブSPLとノルム-VAE-SPL)は,オフィス-カルテクとImageCLEF-DAデータセットで,それぞれ93.4%と90.4%の平均精度で,新しい最先端の性能を達成し,また,それぞれ,97.2%,87.6%,および67.9%の平均精度を有する,Digits,Ofice31,およびOfice-Homeデータセットで,同等の性能を達成した。”,”Digts”,Ofice-Homeデータセット,およびDigt-Homeデータセットで,平均精度が,それぞれ,93.4%と90.4%,および,67.9%の精度で,比較可能な性能を達成した,という事を,それぞれ,提案する方法(すなわち,ナイーブ-SPLとノルム-VAE-SPL)は,新しい最先端の性能を達成することができる。【JST・京大機械翻訳】
