論文の概要: FSDR: Frequency Space Domain Randomization for Domain Generalization
- arxiv url: http://arxiv.org/abs/2103.02370v1
- Date: Wed, 3 Mar 2021 12:42:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 15:00:04.453002
- Title: FSDR: Frequency Space Domain Randomization for Domain Generalization
- Title（参考訳）: FSDR: 周波数空間領域ランダム化による領域一般化
- Authors: Jiaxing Huang, Dayan Guan, Aoran Xiao, Shijian Lu
- Abstract要約: 本稿では,周波数空間における領域不変FC(DIFs)とドメイン不変FC(DVFs)のみをランダム化することでランダム化を行う周波数空間領域ランダム化(FSDR)を提案する。
FSDRには2つの特徴がある: 1) イメージをDIFとDVFに分解し、明示的なアクセスと操作を可能にし、より制御可能なランダム化を可能にする。
- 参考スコア（独自算出の注目度）: 32.77436219094282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization aims to learn a generalizable model from a known source
domain for various unknown target domains. It has been studied widely by domain
randomization that transfers source images to different styles in spatial space
for learning domain-agnostic features. However, most existing randomization
uses GANs that often lack of controls and even alter semantic structures of
images undesirably. Inspired by the idea of JPEG that converts spatial images
into multiple frequency components (FCs), we propose Frequency Space Domain
Randomization (FSDR) that randomizes images in frequency space by keeping
domain-invariant FCs (DIFs) and randomizing domain-variant FCs (DVFs) only.
FSDR has two unique features: 1) it decomposes images into DIFs and DVFs which
allows explicit access and manipulation of them and more controllable
randomization; 2) it has minimal effects on semantic structures of images and
domain-invariant features. We examined domain variance and invariance property
of FCs statistically and designed a network that can identify and fuse DIFs and
DVFs dynamically through iterative learning. Extensive experiments over
multiple domain generalizable segmentation tasks show that FSDR achieves
superior segmentation and its performance is even on par with domain adaptation
methods that access target data in training.
- Abstract（参考訳）: ドメイン一般化は、さまざまな未知のターゲットドメインの既知のソースドメインから一般化可能なモデルを学ぶことを目的とする。
領域に依存しない特徴を学習するための空間空間空間の異なるスタイルにソースイメージを転送する領域ランダム化によって広く研究されている。
しかし、ほとんどの既存のランダム化は、しばしば制御が欠如し、望ましくないイメージのセマンティック構造も変更するGANを使用している。
空間像を多重周波数成分(FC)に変換するJPEGのアイデアに触発されて、領域不変のFC(DIF)を維持し、ドメイン不変のFC(DVF)のみをランダム化する周波数空間領域ランダム化(FSDR)を提案する。
FSDRには2つの特徴がある: 1) イメージをDIFとDVFに分解し、明示的なアクセスと操作を可能にし、より制御可能なランダム化を可能にする。
FCの領域分散と不変性を統計的に検討し、反復学習によりDIFとDVFを動的に識別・融合できるネットワークを設計した。
複数のドメイン一般化可能なセグメンテーションタスクに対する広範な実験は、FSDRが優れたセグメンテーションを達成し、トレーニング中のターゲットデータにアクセスするドメイン適応方法と同等のパフォーマンスを示す。
関連論文リスト
- Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation [40.667166043101076]
多様なターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを提案する。
アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。
提案手法は,ドメイン間複数ショットセマンティックセマンティックセグメンテーションタスクにおいて有望な結果を得る。
論文 参考訳（メタデータ） (2024-04-16T07:07:40Z) - Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。
まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。
そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
論文 参考訳（メタデータ） (2023-09-20T07:37:23Z) - Frequency Decomposition to Tap the Potential of Single Domain for
Generalization [10.555462823983122]
ドメインの一般化は、汎用人工知能の必須の特徴である。
本稿では、単一ソースドメイントレーニングサンプルにドメイン不変性を含めることができると判定した。
複数のドメインから学習する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-04-14T17:15:47Z) - Reducing Domain Gap in Frequency and Spatial domain for Cross-modality
Domain Adaptation on Medical Image Segmentation [5.371816551086118]
教師なしドメイン適応(UDA)は、ソースドメインで訓練されたモデルを学び、ラベルなしのターゲットドメインでうまく機能することを目的としています。
本稿では, 周波数及び空間領域移動Uner Multi-Teacher蒸留フレームワークに基づく, 単純かつ効果的なUDA法を提案する。
提案手法は最先端手法と比較して優れた性能を実現する。
論文 参考訳（メタデータ） (2022-11-28T11:35:39Z) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳（メタデータ） (2022-08-25T15:27:55Z) - Domain-invariant Feature Exploration for Domain Generalization [35.99082628524934]
ドメイン不変の機能は、内部と相互の双方から派生すべきである、と我々は主張する。
ドメイン不変な特徴展開のためのDIFEXを提案する。
時系列とビジュアルベンチマークの両方の実験は、提案したDIFEXが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2022-07-25T09:55:55Z) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-09T20:05:54Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - PIT: Position-Invariant Transform for Cross-FoV Domain Adaptation [53.428312630479816]
フィールド・オブ・ビュー(FoV)ギャップは、ソースとターゲットドメイン間の顕著なインスタンスの出現差を誘導する。
本研究では,異なる領域における画像の整合性を改善するために,textbfPosition-Invariant Transform (PIT)を提案する。
論文 参考訳（メタデータ） (2021-08-16T15:16:47Z) - Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。
一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:02:57Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z)
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。