論文の概要: Frustratingly Simple Domain Generalization via Image Stylization

• arxiv url: http://arxiv.org/abs/2006.11207v2
• Date: Fri, 10 Jul 2020 15:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 04:16:17.048195
• Title: Frustratingly Simple Domain Generalization via Image Stylization
• Title（参考訳）: 画像スタイライゼーションによるイライラし易いドメイン一般化
• Authors: Nathan Somavarapu and Chih-Yao Ma and Zsolt Kira
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は,標準分類設定において優れた性能を示す。 CNNは、異なる統計を持つ新しいドメインに容易に一般化しない。 我々は、非常に単純で効果的な手法、すなわち、このバイアスを、スタイリングされた画像でデータセットを増強することで補正することを示した。
• 参考スコア（独自算出の注目度）: 27.239024949033496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional Neural Networks (CNNs) show impressive performance in the standard classification setting where training and testing data are drawn i.i.d. from a given domain. However, CNNs do not readily generalize to new domains with different statistics, a setting that is simple for humans. In this work, we address the Domain Generalization problem, where the classifier must generalize to an unknown target domain. Inspired by recent works that have shown a difference in biases between CNNs and humans, we demonstrate an extremely simple yet effective method, namely correcting this bias by augmenting the dataset with stylized images. In contrast with existing stylization works, which use external data sources such as art, we further introduce a method that is entirely in-domain using no such extra sources of data. We provide a detailed analysis as to the mechanism by which the method works, verifying our claim that it changes the shape/texture bias, and demonstrate results surpassing or comparable to the state of the arts that utilize much more complex methods.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は、所定の領域からトレーニングとテストデータを描画する標準分類設定において、印象的なパフォーマンスを示す。 しかし、CNNは、人間にとって簡単な設定である異なる統計を持つ新しいドメインに容易に一般化することができない。 本研究では,分類器が未知の対象領域に一般化しなければならない領域一般化問題に対処する。 CNNと人間のバイアスの違いを示す最近の研究に触発されて、我々は非常に単純で効果的な方法、すなわち、このバイアスをスタイリングされた画像でデータセットを拡大することで補正することを示した。 アートなどの外部データソースを使用する既存のスタイル化作業とは対照的に,そのような余分なデータソースを使わずに完全にドメイン内となる手法を導入する。 我々は,この手法が機能するメカニズムに関する詳細な分析を行い,形状やテクスチャのバイアスが変化するという我々の主張を検証し,より複雑な手法を用いた最先端の技術に匹敵する結果を示す。

関連論文リスト

• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Domain Generalization Emerges from Dreaming [10.066261691282016]
  我々は,Stylized Dreamと呼ばれる新しい最適化に基づくデータ拡張により,モデルのテクスチャバイアスを低減する新しいフレームワークを提案する。 我々のフレームワークは、適応インスタンス正規化(AdaIN)を利用して、オリジナル画像のスタイルを増強し、コンテンツを保存する。 次に、Stylized Dreamとオリジナル画像との一貫性のある出力を予測するために正規化損失を採用し、モデルが形状に基づく表現を学習することを奨励する。
  論文  参考訳（メタデータ） (2023-02-02T09:59:55Z)
• Adversarial Style Augmentation for Domain Generalization [41.72506801753435]
  本稿では,より効率的な統計摂動を発生させることにより,より広いスタイル空間を探索する,新しいAdrial Style Augmentation (ASA)手法を提案する。 ASA の応用を容易にするため,プラグイン・アンド・プレイ方式で ASA メソッドをインスタンス化するシンプルなモジュールである AdvStyle を設計した。 本手法は,PACSデータセット上での単一ソース一般化条件下での競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-01-30T03:52:16Z)
• Domain Generalization with MixStyle [120.52367818581608]
  ドメインの一般化(domain generalization)は、ソースドメインのセットから学習することでこの問題に対処しようとしている。 MixStyleと呼ばれるこの手法は、視覚領域が画像スタイルと密接に関連しているという観察によって動機づけられる。 MixStyleは、ミニバッチトレーニングに完全に適合し、実装が非常に簡単です。
  論文  参考訳（メタデータ） (2021-04-05T16:58:09Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
  ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。 最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。 そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。 近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-05-26T07:32:09Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)
• A simple baseline for domain adaptation using rotation prediction [17.539027866457673]
  目標は、あるドメインでトレーニングされたモデルを、注釈付きデータが少ない別のドメインに適応させることだ。 本稿では,自己教師付き学習に基づく簡易かつ効果的な手法を提案する。 提案手法は,DomainNetデータセット上での半教師付きドメイン適応における最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2019-12-26T17:32:04Z)

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。