Domain Adaptive Few-Shot Open-Set Learning

要約

フューショット学習は、ターゲット クエリ セット内の新規クラスから未知のサンプルを認識し、ドメイン間の視覚的な変化を管理するという重要な課題への対処において目覚ましい進歩を遂げました。
しかし、既存の手法は、ソース ドメインからの疑似外れ値を拒否する方法を学習することでドメイン シフトの下でターゲットの外れ値を特定するという点で不十分であり、両方の問題に対する不完全な解決策になります。
これらの課題に包括的に対処するために、私たちはドメイン適応型少数ショットオープンセット認識 (DA-FSOS) と呼ばれる新しいアプローチを提案し、DAFOSNET と呼ばれるメタ学習ベースのアーキテクチャを導入します。
トレーニング中、私たちのモデルは、完全に監視されたソース ドメインとラベルが互いに素な少数ショットのターゲット ドメインを前提として、擬似オープンスペース決定境界を作成しながら、共有された識別的な埋め込み空間を学習します。
データ密度を高めるために、調整可能なノイズ分散を備えた条件付き敵対的ネットワークのペアを使用して、ドメインの閉じた空間と擬似的な開いた空間の両方を強化します。
さらに、新しいメトリクス目標を通じてクラスの識別性を確保しながら、両方のドメインをグローバルに調整する、ドメイン固有のバッチ正規化クラス プロトタイプの調整戦略を提案します。
私たちのトレーニング アプローチにより、DAFOS-NET がターゲット ドメインの新しいシナリオにうまく一般化できることが保証されます。
Office-Home、mini-ImageNet/CUB、および DomainNet データセットに基づく DA-FSOS の 3 つのベンチマークを提示し、広範な実験を通じて DAFOS-NET の有効性を実証します。

要約(オリジナル)

Few-shot learning has made impressive strides in addressing the crucial challenges of recognizing unknown samples from novel classes in target query sets and managing visual shifts between domains. However, existing techniques fall short when it comes to identifying target outliers under domain shifts by learning to reject pseudo-outliers from the source domain, resulting in an incomplete solution to both problems. To address these challenges comprehensively, we propose a novel approach called Domain Adaptive Few-Shot Open Set Recognition (DA-FSOS) and introduce a meta-learning-based architecture named DAFOSNET. During training, our model learns a shared and discriminative embedding space while creating a pseudo open-space decision boundary, given a fully-supervised source domain and a label-disjoint few-shot target domain. To enhance data density, we use a pair of conditional adversarial networks with tunable noise variances to augment both domains closed and pseudo-open spaces. Furthermore, we propose a domain-specific batch-normalized class prototypes alignment strategy to align both domains globally while ensuring class-discriminativeness through novel metric objectives. Our training approach ensures that DAFOS-NET can generalize well to new scenarios in the target domain. We present three benchmarks for DA-FSOS based on the Office-Home, mini-ImageNet/CUB, and DomainNet datasets and demonstrate the efficacy of DAFOS-NET through extensive experimentation

arxiv情報

提供元, 利用サービス

arxiv.jp, Google