Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework

Created by
  • Haebom

作者

Ismail Nejjar, Hao Dong, Olga Fink

概要

この論文は、ソースデータにアクセスせずに実行されるソースフリーオープンセットドメイン適応（SF-OSDA）の問題について説明します。従来のSF-OSDA法では、予測エントロピーに基づいて既知のクラスと未知のクラスを区別しますが、未知のクラスの特徴を明示的に学習できないという制限があります。この論文では、Recall and Refine（RRDA）という新しいSF-OSDAフレームワークを提案します。 RRDA は 2 段階で構成されます。まず、ターゲットドメインの特徴から生成された合成サンプルを使用して、追加の決定境界を持つターゲット分類器を学習することで、未知のクラスを認識するモデルの能力を向上させます。次に、既存のソースフリードメイン適応方法（SHOT、AaDなど）を統合して、ドメインの移動と未知のクラスとの区別を解決するために、モデル全体をターゲットドメインに適応させます。 3つのベンチマークデータセットの実験結果は、RRDAが既存のSF-OSDAおよびOSDA方法を大幅に上回っていることを示しています。

Takeaways、Limitations

•
Takeaways：
◦
ソースデータにアクセスせずにオープンセットドメイン適応問題を効果的に解決する新しいフレームワーク（RRDA）の提示
◦
ターゲットドメインの未知のクラスの特徴を明示的に学習してパフォーマンスを向上
◦
既存のソースフリードメイン適応法とのシームレスな統合
◦
さまざまなベンチマークデータセットで優れたパフォーマンス検証
•
Limitations:
◦
合成サンプルの生成の質によってはパフォーマンスが影響を受ける可能性があります。合成サンプル生成法の改善の必要性
◦
提案された方法の一般化性能に関するさらなる研究の必要性特定のデータセットに過適合する可能性があります。
◦
特定のソース - フリードメイン適応方法に依存し得る。さまざまな方法の適用性検証が必要です。
👍
Made with Slashpage