Fugu-MT 論文翻訳(概要): Domain Generalisation with Domain Augmented Supervised Contrastive Learning (Student Abstract)

論文の概要: Domain Generalisation with Domain Augmented Supervised Contrastive Learning (Student Abstract)

arxiv url: http://arxiv.org/abs/2012.13973v1
Date: Sun, 27 Dec 2020 16:50:40 GMT
ステータス: 処理完了
システム内更新日: 2021-04-24 21:06:42.482020
Title: Domain Generalisation with Domain Augmented Supervised Contrastive Learning (Student Abstract)
Title（参考訳）: ドメイン拡張型教師付きコントラスト学習によるドメイン一般化(学生要約)
Authors: Hoang Son Le, Rini Akmeliawati, Gustavo Carneiro
Abstract要約: 本稿では,データ拡張に伴う問題に対処するため,データ拡張とドメイン距離最小化を組み合わせた新しい手法を提案し,学習性能の保証を提供する。実験により,本手法はDGベンチマークのベースライン結果よりも優れていた。
参考スコア（独自算出の注目度）: 17.865068872754293
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Domain generalisation (DG) methods address the problem of domain shift, when there is a mismatch between the distributions of training and target domains. Data augmentation approaches have emerged as a promising alternative for DG. However, data augmentation alone is not sufficient to achieve lower generalisation errors. This project proposes a new method that combines data augmentation and domain distance minimisation to address the problems associated with data augmentation and provide a guarantee on the learning performance, under an existing framework. Empirically, our method outperforms baseline results on DG benchmarks.
Abstract（参考訳）: ドメイン一般化(DG)法は、トレーニングとターゲットドメインの分布にミスマッチがある場合に、ドメインシフトの問題に対処する。データ拡張アプローチがDGの有望な代替手段として登場した。しかし、データの増大だけでは、より低い一般化誤差を達成するには不十分である。本研究では,データ拡張に関する問題に対処するために,データ拡張とドメイン距離最小化を組み合わせた新しい手法を提案する。実験により,本手法はDGベンチマークのベースライン結果を上回った。

関連論文リスト

PracticalDG: Perturbation Distillation on Vision-Language Models for Hybrid Domain Generalization [24.413415998529754]
本稿では,Hybrid Domain Generalization (HDG) と,アルゴリズムのロバスト性を評価するために,様々な分割を構成する新しい指標である$H2$-CVを提案する。提案手法は,複数のデータセット上での最先端アルゴリズムよりも優れており,特にデータ不足に直面する場合のロバスト性の向上に寄与する。
論文参考訳（メタデータ） (2024-04-13T13:41:13Z)
MADG: Margin-based Adversarial Learning for Domain Generalization [25.45950080930517]
そこで本稿では,差分損失に基づく離散性尺度に基づく新しい逆学習DGアルゴリズムMADGを提案する。提案したMADGモデルは,すべてのソースドメインにまたがるドメイン不変の特徴を学習し,敵対的トレーニングを用いて,未知のターゲットドメインによく適応する。我々は、人気のある実世界のDGデータセット上でMADGモデルを広範囲に実験した。
論文参考訳（メタデータ） (2023-11-14T19:53:09Z)
Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文参考訳（メタデータ） (2023-07-30T11:38:46Z)
MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文参考訳（メタデータ） (2023-01-18T07:55:22Z)
On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-24T16:29:43Z)
Reappraising Domain Generalization in Neural Networks [8.06370138649329]
機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
論文参考訳（メタデータ） (2021-10-15T10:06:40Z)
Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
論文参考訳（メタデータ） (2021-06-18T03:15:25Z)
Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文参考訳（メタデータ） (2020-10-09T15:42:35Z)
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)
Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文参考訳（メタデータ） (2020-07-27T00:08:07Z)

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。