論文の概要: Hierarchical Variational Auto-Encoding for Unsupervised Domain Generalization

• arxiv url: http://arxiv.org/abs/2101.09436v3
• Date: Sat, 27 Feb 2021 13:35:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 10:52:00.177283
• Title: Hierarchical Variational Auto-Encoding for Unsupervised Domain Generalization
• Title（参考訳）: 非教師なし領域一般化のための階層的変分自動エンコーディング
• Authors: Xudong Sun, Florian Buettner
• Abstract要約: 可変オートエンコーダの枠組みの中で生成的アプローチを選択し、監視なしで新しい領域に一般化できる監視されていないアルゴリズムを提案する。 本手法は複雑な設定でもクラスラベル特定情報からドメイン固有情報を分離する表現を学習することができる。
• 参考スコア（独自算出の注目度）: 4.670305538969914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the task of domain generalization, where the goal is to train a predictive model based on a number of domains such that it is able to generalize to a new, previously unseen domain. We choose a generative approach within the framework of variational autoencoders and propose an unsupervised algorithm that is able to generalize to new domains without supervision. We show that our method is able to learn representations that disentangle domain-specific information from class-label specific information even in complex settings where an unobserved substructure is present in domains. Our interpretable method outperforms previously proposed generative algorithms for domain generalization and achieves competitive performance compared to state-of-the-art approaches, which are based on complex image-processing steps, on the standard domain generalization benchmark dataset PACS. Additionally, we proposed weak domain supervision which can further increase the performance of our algorithm in the PACS dataset.
• Abstract（参考訳）: 我々は、複数のドメインに基づいて予測モデルをトレーニングし、新しい未発見のドメインに一般化することを目標とする、ドメイン一般化のタスクに対処します。 我々は、変分オートエンコーダの枠組みの中で生成的アプローチを選択し、監督なしで新しい領域に一般化できる教師なしアルゴリズムを提案する。 本手法は,非オブザーブド部分構造がドメインに存在する複雑な設定においても,クラスラベル固有情報からドメイン固有情報を分離する表現を学習できることを示す。 提案手法は,従来提案していた領域一般化のための生成アルゴリズムを上回っており,標準領域一般化ベンチマークデータセットpacsを用いて,複雑な画像処理ステップに基づく最先端手法と比較し,競合性能を実現する。 さらに,pacsデータセットにおけるアルゴリズムの性能をさらに向上させる弱領域監督を提案する。

関連論文リスト

• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Complementary Domain Adaptation and Generalization for Unsupervised Continual Domain Shift Learning [4.921899151930171]
  教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。 本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。 我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2023-03-28T09:05:15Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Context-Conditional Adaptation for Recognizing Unseen Classes in Unseen Domains [48.17225008334873]
  我々は,COCOA (COntext Conditional Adaptive) Batch-Normalization と統合された特徴生成フレームワークを提案する。 生成されたビジュアル機能は、基礎となるデータ分散をよりよくキャプチャすることで、テスト時に見つからないクラスやドメインに一般化できます。 確立した大規模ベンチマークであるDomainNetに対する我々のアプローチを徹底的に評価し、分析する。
  論文  参考訳（メタデータ） (2021-07-15T17:51:16Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)

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。