論文の概要: Progressive Domain Expansion Network for Single Domain Generalization
- arxiv url: http://arxiv.org/abs/2103.16050v1
- Date: Tue, 30 Mar 2021 03:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:59:01.101551
- Title: Progressive Domain Expansion Network for Single Domain Generalization
- Title（参考訳）: 単一領域一般化のためのプログレッシブドメイン拡張ネットワーク
- Authors: Lei Li, Ke Gao, Juan Cao, Ziyao Huang, Yepeng Weng, Xiaoyue Mi,
Zhengze Yu, Xiaoya Li, Boyang xia
- Abstract要約: 単一領域一般化のためのプログレッシブ・ドメイン拡張ネットワーク(PDEN)と呼ばれる新しい学習フレームワークを提案する。
PDENは最先端の単一ドメイン一般化法と比較して最大15.28%改善できる。
- 参考スコア（独自算出の注目度）: 12.962460627678555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single domain generalization is a challenging case of model generalization,
where the models are trained on a single domain and tested on other unseen
domains. A promising solution is to learn cross-domain invariant
representations by expanding the coverage of the training domain. These methods
have limited generalization performance gains in practical applications due to
the lack of appropriate safety and effectiveness constraints. In this paper, we
propose a novel learning framework called progressive domain expansion network
(PDEN) for single domain generalization. The domain expansion subnetwork and
representation learning subnetwork in PDEN mutually benefit from each other by
joint learning. For the domain expansion subnetwork, multiple domains are
progressively generated in order to simulate various photometric and geometric
transforms in unseen domains. A series of strategies are introduced to
guarantee the safety and effectiveness of the expanded domains. For the domain
invariant representation learning subnetwork, contrastive learning is
introduced to learn the domain invariant representation in which each class is
well clustered so that a better decision boundary can be learned to improve
it's generalization. Extensive experiments on classification and segmentation
have shown that PDEN can achieve up to 15.28% improvement compared with the
state-of-the-art single-domain generalization methods.
- Abstract（参考訳）: 単一ドメインの一般化はモデル一般化の難しいケースであり、モデルが単一のドメインで訓練され、他の見えないドメインでテストされる。
有望な解決策は、トレーニング領域の範囲を広げることで、クロスドメイン不変表現を学ぶことである。
これらの手法は、適切な安全性と有効性制約の欠如により、実用用途での一般化性能の向上を制限している。
本稿では,一分野一般化のためのプログレッシブドメイン拡張ネットワーク(PDEN)と呼ばれる新しい学習フレームワークを提案する。
pdenにおけるドメイン拡張サブネットワークと表現学習サブネットワークは、協調学習によって相互に利益を得る。
ドメイン拡張サブネットワークでは、さまざまな測光および幾何変換を非可視領域でシミュレートするために、複数のドメインが徐々に生成される。
拡張ドメインの安全性と有効性を保証するための一連の戦略が導入された。
ドメイン不変表現学習サブネットワークでは、各クラスが十分にクラスタ化されているドメイン不変表現を学習し、より優れた決定境界を学習して一般化を改善するために対照的な学習が導入される。
分類とセグメンテーションに関する大規模な実験により、PDENは最先端の単一ドメイン一般化法と比較して最大15.28%改善できることが示された。
関連論文リスト
- Domain Generalization via Causal Adjustment for Cross-Domain Sentiment
Analysis [59.73582306457387]
クロスドメイン感情分析における領域一般化の問題に焦点をあてる。
本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。
一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
論文 参考訳（メタデータ） (2024-02-22T13:26:56Z) - Domain Generalization for Domain-Linked Classes [8.738092015092207]
実世界では、クラスはドメインリンクされ、すなわち特定のドメインでのみ表現される。
本稿では,ドメインリンクDG,FONDのためのFair and cONtrastive feature-space regularizationアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-01T16:39:50Z) - Single Domain Dynamic Generalization for Iris Presentation Attack
Detection [41.126916126040655]
アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。
本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。
提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
論文 参考訳（メタデータ） (2023-05-22T07:54:13Z) - Domain-General Crowd Counting in Unseen Scenarios [25.171343652312974]
群集データ間のドメインシフトは、群集数モデルが目に見えないシナリオに一般化するのを著しく妨げます。
ソースドメインを複数のサブドメインに分割する動的サブドメイン分割方式を提案する。
画像特徴におけるドメイン固有情報からドメイン不変情報を切り離すために、ドメイン不変および-特定のクラウドメモリモジュールを設計する。
論文 参考訳（メタデータ） (2022-12-05T19:52:28Z) - Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。
計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T11:09:29Z) - Discriminative Domain-Invariant Adversarial Network for Deep Domain
Generalization [33.84004077585957]
本稿では,ドメイン一般化のための識別型ドメイン不変逆数ネットワーク(DDIAN)を提案する。
DDIANは、最先端のドメイン一般化アプローチと比較して、トレーニング中の未確認対象データに対するより良い予測を実現している。
論文 参考訳（メタデータ） (2021-08-20T04:24:12Z) - 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) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - 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) - Learning to Balance Specificity and Invariance for In and Out of Domain
Generalization [27.338573739304604]
ドメイン内および外部の一般化性能を改善するモデルである一般化のためのドメイン固有マスクを紹介する。
ドメインの一般化のために、ゴールはソースドメインの集合から学び、見えないターゲットドメインに最もよく一般化する単一のモデルを作成することである。
本研究では,PACSとDomainNetの両面において,単純なベースラインと最先端の手法と比較して,競争力のある性能を示す。
論文 参考訳（メタデータ） (2020-08-28T20:39:51Z) - Learning to Learn with Variational Information Bottleneck for Domain
Generalization [128.90691697063616]
ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。
ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。
ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
論文 参考訳（メタデータ） (2020-07-15T12:05:52Z)
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。