論文の概要: Domain Balancing: Face Recognition on Long-Tailed Domains

• arxiv url: http://arxiv.org/abs/2003.13791v1
• Date: Mon, 30 Mar 2020 20:16:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:13:30.965395
• Title: Domain Balancing: Face Recognition on Long-Tailed Domains
• Title（参考訳）: ドメインバランシング:長期ドメインにおける顔認識
• Authors: Dong Cao, Xiangyu Zhu, Xingyu Huang, Jianzhu Guo, Zhen Lei
• Abstract要約: 本稿では,長期領域分散問題を扱うための新しいドメインバランス機構を提案する。 本稿では、まず、サンプルがヘッドドメインかテールドメインであるかを判断するために、ドメイン周波数指標(DFI)を提案する。 第2に、DFIに応じてネットワークを調整することにより、領域分布のバランスをとるために、軽量な残留バランスマッピング(RBM)ブロックを定式化する。 最後に、損失関数におけるドメインバランスマージン(DBM)を提案し、テール領域の特徴空間をさらに最適化し、一般化を改善する。
• 参考スコア（独自算出の注目度）: 49.4688709764188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed problem has been an important topic in face recognition task. However, existing methods only concentrate on the long-tailed distribution of classes. Differently, we devote to the long-tailed domain distribution problem, which refers to the fact that a small number of domains frequently appear while other domains far less existing. The key challenge of the problem is that domain labels are too complicated (related to race, age, pose, illumination, etc.) and inaccessible in real applications. In this paper, we propose a novel Domain Balancing (DB) mechanism to handle this problem. Specifically, we first propose a Domain Frequency Indicator (DFI) to judge whether a sample is from head domains or tail domains. Secondly, we formulate a light-weighted Residual Balancing Mapping (RBM) block to balance the domain distribution by adjusting the network according to DFI. Finally, we propose a Domain Balancing Margin (DBM) in the loss function to further optimize the feature space of the tail domains to improve generalization. Extensive analysis and experiments on several face recognition benchmarks demonstrate that the proposed method effectively enhances the generalization capacities and achieves superior performance.
• Abstract（参考訳）: 顔認証タスクにおいて、長い尾の問題は重要な話題となっている。 しかし、既存の手法はクラスの長期分布にのみ焦点をあてる。 異なるのは、ロングテールのドメイン分散問題に専心しており、これは少数のドメインが頻繁に出現し、他のドメインがはるかに少ないという事実を指す。 問題の鍵となる課題は、ドメインラベルが複雑すぎる(人種、年齢、ポーズ、照明などに関連する)ことであり、実際のアプリケーションではアクセスできないことである。 本稿では,この問題に対処するための新しいドメインバランシング(db)メカニズムを提案する。 具体的には、まず、サンプルがヘッドドメインかテールドメインかを判断するドメイン周波数インジケータ(dfi)を提案する。 次に,重み付き残差バランスマッピング(rbm)ブロックを定式化し,dfiに応じてネットワークを調整することにより,領域分布のバランスをとる。 最後に、損失関数におけるドメインバランスマージン(DBM)を提案し、テール領域の特徴空間をさらに最適化し、一般化を改善する。 複数の顔認証ベンチマークの大規模解析と実験により,提案手法は一般化能力を効果的に向上し,優れた性能が得られることを示した。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• DomainDrop: Suppressing Domain-Sensitive Channels for Domain Generalization [25.940491294232956]
  DomainDropは、チャンネルの堅牢性をドメインシフトに継続的に拡張するフレームワークである。 我々のフレームワークは、他の競合する手法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-08-20T14:48:52Z)
• ReMask: A Robust Information-Masking Approach for Domain Counterfactual Generation [16.275230631985824]
  ドメインのカウンターファクト生成は、テキストをソースドメインから特定のターゲットドメインに変換することを目的としています。 我々は、周波数とアテンションノルムに基づくマスキングを含む3段階のドメイン難読化アプローチを用いて、ドメイン固有のキューをマスキングし、ドメインの一般的なコンテキストを復元する。 本モデルは, 対向領域適応設定における平均精度を1.4%向上させることにより, 最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2023-05-04T14:19:02Z)
• Delving into the Continuous Domain Adaptation [12.906272389564593]
  既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。 これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。 継続的ドメイン適応という新しい問題について検討する。
  論文  参考訳（メタデータ） (2022-08-28T02:32:25Z)
• FRIDA -- Generative Feature Replay for Incremental Domain Adaptation [34.00059350161178]
  FRIDA(Feature Based Incremental Domain Adaptation)と呼ばれる新しいフレームワークを提案する。 ドメインアライメントのために,DANN-IBと呼ばれる,一般的なドメイン対向ニューラルネットワーク(DANN)の簡単な拡張を提案する。 Office-Home、Office-CalTech、DomainNetデータセットの実験結果は、FRIDAが文献よりも優れた安定性と塑性のトレードオフを維持していることを確認した。
  論文  参考訳（メタデータ） (2021-12-28T22:24:32Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。 シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。 本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T14:54:25Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。