論文の概要: Towards Recognizing Unseen Categories in Unseen Domains
- arxiv url: http://arxiv.org/abs/2007.12256v2
- Date: Tue, 11 Aug 2020 07:48:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 12:58:34.636794
- Title: Towards Recognizing Unseen Categories in Unseen Domains
- Title(参考訳): 目に見えない領域の認識に向けて
- Authors: Massimiliano Mancini, Zeynep Akata, Elisa Ricci, Barbara Caputo
- Abstract要約: CuMixはZSL(Zero-Shot Learning)、ドメイン適応とドメイン一般化(Domain Adaptation and Domain Generalization、DG)、ZSL+DG(ZSL+DG)に取り組むための総合的なアルゴリズムである。
CuMixのキーとなるアイデアは、トレーニング中に使用可能な、目に見えないドメインやカテゴリからの画像と機能を使用して、テスト時のドメインとセマンティックシフトをシミュレートすることだ。
DomainNetベンチマークを用いた標準SLおよびDGデータセットとZSL+DGの結果から,本手法の有効性が示された。
- 参考スコア(独自算出の注目度): 74.29101415077523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current deep visual recognition systems suffer from severe performance
degradation when they encounter new images from classes and scenarios unseen
during training. Hence, the core challenge of Zero-Shot Learning (ZSL) is to
cope with the semantic-shift whereas the main challenge of Domain Adaptation
and Domain Generalization (DG) is the domain-shift. While historically ZSL and
DG tasks are tackled in isolation, this work develops with the ambitious goal
of solving them jointly,i.e. by recognizing unseen visual concepts in unseen
domains. We presentCuMix (CurriculumMixup for recognizing unseen categories in
unseen domains), a holistic algorithm to tackle ZSL, DG and ZSL+DG. The key
idea of CuMix is to simulate the test-time domain and semantic shift using
images and features from unseen domains and categories generated by mixing up
the multiple source domains and categories available during training. Moreover,
a curriculum-based mixing policy is devised to generate increasingly complex
training samples. Results on standard SL and DG datasets and on ZSL+DG using
the DomainNet benchmark demonstrate the effectiveness of our approach.
- Abstract(参考訳): 現在の深部視覚認識システムは、訓練中のクラスやシナリオの新たな画像に遭遇すると、パフォーマンスが著しく低下する。
したがって、ゼロショット学習(ZSL)の中核的な課題は、ドメイン適応とドメイン一般化(DG)の主な課題がドメインシフトであるのに対して、セマンティックシフトに対処することである。
歴史的に ZSL と DG のタスクは独立して取り組まれているが、この研究はそれらを共同で解決するという野心的な目標、すなわち目に見えない領域における視覚的概念を認識することで発展する。
我々は,zsl,dg,zsl+dgに対する包括的アルゴリズムであるcumix (curriculum mixup for recognition unseen categories in unseen domain) を提案する。
CuMixのキーとなるアイデアは、トレーニング中に利用可能な複数のソースドメインとカテゴリを混ぜて生成した、見えないドメインとカテゴリからの画像と機能を使用して、テスト時のドメインとセマンティックシフトをシミュレートすることだ。
さらに、カリキュラムベースの混合政策を考案し、より複雑なトレーニングサンプルを生成する。
DomainNetベンチマークを用いた標準SLおよびDGデータセットおよびZSL+DGの結果,本手法の有効性が示された。
関連論文リスト
- SSL-DG: Rethinking and Fusing Semi-supervised Learning and Domain
Generalization in Medical Image Segmentation [0.0]
そこで本研究では,未知のターゲットデータをソースデータの線形結合で表現し,単純なデータ拡張によって実現可能であることを示す。
DGとSSLを融合したSSL-DGを提案する。
論文 参考訳(メタデータ) (2023-11-05T07:44:40Z) - Towards domain-invariant Self-Supervised Learning with Batch Styles
Standardization [1.6060199783864477]
Batch Styles Standardization (BSS) は、バッチ内の画像のスタイルを標準化するシンプルな手法である。
BSSは未確認領域でのダウンストリームタスク性能を著しく改善し、UDG手法よりも優れ、競合することが多い。
論文 参考訳(メタデータ) (2023-03-10T17:09:04Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - Domain-Aware Continual Zero-Shot Learning [52.349332188116975]
ドメイン対応連続ゼロショット学習(DACZSL)は、連続的に変化するドメインにおいて、目に見えないカテゴリの画像を認識するタスクである。
そこで本研究では,ドメインシフトのための因子化特徴を学習するためのドメイン不変ネットワーク(DIN)を提案し,未知のクラスに対するテキスト表現を改善した。
以上の結果から,DINは既存のベースラインよりも高調波精度で5%以上,後方転送で1%以上優れていた。
論文 参考訳(メタデータ) (2021-12-24T08:17:18Z) - Transferrable Contrastive Learning for Visual Domain Adaptation [108.98041306507372]
Transferrable Contrastive Learning (TCL) はドメイン適応に適した自己教師型学習パラダイムである。
TCLは、クリーンで斬新な対照的な損失を通じて、ソースとターゲット間のドメイン内ドメイン間の相違を罰する。
無料のランチは、対照的な学習が組み込まれているため、TCLは、ターゲットデータのための擬似ラベルの時間的にアンサンブルされたバージョンを自然に達成する、移動平均キーエンコーダに依存している。
論文 参考訳(メタデータ) (2021-12-14T16:23:01Z) - Structured Latent Embeddings for Recognizing Unseen Classes in Unseen
Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。
挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文 参考訳(メタデータ) (2021-07-12T17:57:46Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳(メタデータ) (2021-02-17T17:46:06Z) - Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。
このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。
メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
論文 参考訳(メタデータ) (2020-02-06T01:04:53Z)
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。