Мы рады сообщить, что одна из наших статей была принята в качестве постера на ECCV2020, который пройдет онлайн. Это совместная работа с профессором Масааки Иияма из Киотского университета.

Рюхей Такахаши, Ацуши Хашимото, Мотохару Соногашира, Масааки Иияма, Частично совместно используемые вариационные автокодировщики для неконтролируемой адаптации домена со сдвигом цели [препринт]

Что такое неконтролируемая адаптация домена (UDA)?: UDA — одна из самых горячих тем в последнее время в сообществе машинного обучения. Заставить модель адаптироваться к среде, в которой не были предоставлены наземные метки истинности, проблематично.
Предполагается наличие двух сред: исходного домена и целевого домена. В исходном домене у вас есть множество меток достоверности. В целевом домене у вас нет меток наземной истины, но есть много немаркированных наблюдений. Производительность оценивается по точности в целевой области.

Типичное использование нашего нового метода. Когда вы хотите обучить модель с данными компьютерной графики для регрессии, но применить ее к реальному миру, этот метод в значительной степени поможет вам реализовать приложение. Регрессия — это проблема оценки непрерывных значений (например, оценка положения тела/руки/головы, оценка взгляда, оценка ориентиров лица, оценка силы эмоций, оценка возраста и любая другая непрерывная оценка параметров по изображениям).
Обратите внимание, что этот метод также применим к задачам категоризации. В этом случае метод получит преимущество, когда можно ожидать большую разницу в распределении меток двух доменов.

Преимущество: мы считаем, что этот метод является единственным применимым для регрессии с UDA при неизвестном распределении меток в целевом домене. У него есть еще одно преимущество в настройке гиперпараметров. Многие методы UDA имеют критическую проблему в настройке гиперпараметров. А именно, он должен настраивать чувствительные параметры без доступа к наземным меткам правды. Обычно это некорректная и трудная задача. Напротив, предложенный метод выводит синтезированные данные целевой области, и качество синтеза напрямую влияет на производительность. Следовательно, вы можете интуитивно настраивать гиперпараметры, сравнивая синтезированные образцы целевой области и наблюдения реальной целевой области.

ограничение: этот метод использует CycleGAN для преобразования изображений исходного домена в изображения целевого домена. Область применения CycleGAN — это не только изображения, но наш метод не работает, если не удается преобразовать домены любым методом CycleGAN.

Технические детали. В приведенном выше документе отмечена серьезная проблема традиционных методов; они предполагают, что невидимая метка в целевом домене распространяется так же, как видимые метки в исходном домене. Это опасное допущение в реальной задаче, и оно фактически ухудшает результат UDA.

Для достижения UDA в практической ситуации мы разработали новую сетевую архитектуру «Частично совместно используемые вариационные автокодировщики: PS-VAE». Эта архитектура избегает сопоставления формы распределения признаков, что неявно пытаются сделать почти все последние методы UDA, но синтезирует парное наблюдение в двух областях с идентичной меткой. Используя такие данные, метрическое обучение позволяет нам согласовывать функции, не полагаясь на соответствие формы распределения. Для получения более подробной информации см. документ или посетите нашу презентацию на ECCV2020 или MIRU2020 (внутренняя встреча в Японии)!