Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Training-Free Label Space Alignment for Universal Domain Adaptation

Created by
  • Haebom

저자

Dujin Lee, Sojung An, Jungmyung Wi, Kuniaki Saito, Donghyun Kim

Universal Domain Adaptation with Vision-Language Foundation Models: A Label-Space Alignment Approach

개요

본 논문은 레이블 공간이 다르고 대상 도메인에 개인적인 클래스가 포함될 수 있는 범용 도메인 적응(UniDA) 문제를 해결하기 위해 시각-언어 기초 모델(VLMs)의 제로샷 능력을 활용하는 새로운 접근 방식을 제시한다. 특히 CLIP과 같은 VLMs을 사용하여 레이블 공간 정렬에 집중하여 적응 안정성을 향상시킨다. 이를 위해, 대상 도메인의 알려지지 않은 범주를 식별하고, 소스 및 대상 도메인 간의 노이즈가 있는 레이블을 필터링하고 개선하는 훈련이 필요 없는 레이블 공간 정렬 방법을 제안한다. 또한 공유 지식과 대상 개인 클래스 정보를 통합하는 범용 분류기를 구축하여 도메인 이동 시 일반화 성능을 향상시킨다.

시사점, 한계점

•
시사점:
◦
VLMs의 제로샷 능력을 활용하여 레이블 공간 정렬에 집중하는 새로운 UniDA 접근 방식 제시.
◦
훈련이 필요 없는 레이블 공간 정렬 방법 제안으로, 노이즈가 있는 레이블을 효과적으로 처리.
◦
범용 분류기 구축을 통해 일반화 성능 향상.
◦
DomainBed 벤치마크에서 기존 UniDA 기술 대비 상당한 성능 향상(H-score +7.9%, H³-score +6.1%).
◦
자가 훈련을 통해 성능 추가 향상(H- 및 H³-score +1.6%).
•
한계점:
◦
논문에 명시된 한계점은 없음.
👍
Made with Slashpage