文献

J-GLOBAL ID：202202211908066190   整理番号：22A0788845

ソースフリー教師なしドメイン適応のための負アンサンブル学習によるノイズラベルの洗浄【JST・京大機械翻訳】

Cleaning Noisy Labels by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation

著者 (3件)： Ahmed Waqar (Istituto Italiano di Tecnologia,Pattern Analysis & Computer Vision,Genova,Italy) ,  Morerio Pietro (Istituto Italiano di Tecnologia,Pattern Analysis & Computer Vision,Genova,Italy) ,  Murino Vittorio (Istituto Italiano di Tecnologia,Pattern Analysis & Computer Vision,Genova,Italy)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 356-365  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 従来の教師なしドメイン適応(UDA)法は,訓練中に同時に利用可能なソースとターゲットドメインデータを推測する。このような仮定は,ソースデータがしばしばアクセスできない(例えばプライバシー理由により),実際には保持されないかもしれない。それどころか,事前訓練源モデルは通常利用可能であり,それはよく知られたドメインシフト問題のためにターゲットにあまり機能しない。これは,推定対象擬似ラベルに影響する構造化雑音として解釈できる,著しい量の誤分類に翻訳される。本研究では,UDAを挑戦的なソースフリーシナリオにおける擬似ラベル精製問題としてキャストした。適応雑音フィルタリングと進行性擬似ラベル精密化のための統一法である,負のアンサンブル学習(NEL)技術を提案した。NELは,異なる確率的(i)入力増強と(ii)フィードバックを有するアンサンブルメンバーにおける多様性を強化することによって,雑音の多い擬似ラベルに取り組むために考案された。後者は,異なるメンバーに多様な情報を伝播させる,互いに素な残差ラベルの新しい概念を活用することによって達成される。最終的に,単一モデルを精密化した擬似ラベルで訓練し,ターゲットドメインにロバスト性能をもたらす。広範な実験は,提案した方法が,ソースデータサンプルを全く使用せずに,Digit5,PACS,Visda-C,およびドメインNetのような主要なUDAベンチマークで最先端の性能を達成することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  残差 ,  プライバシー ,  精密化 ,  ベンチマーク
準シソーラス用語： *アンサンブル学習 ,  互いに素 ,  ノイズフィルタ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： ソース ,  教師 ,  ドメイン適応 ,  アンサンブル学習 ,  ノイズ ,  ラベル ,  洗浄