論文の概要: Domain Generalization with MixStyle

• arxiv url: http://arxiv.org/abs/2104.02008v1
• Date: Mon, 5 Apr 2021 16:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:49:49.718896
• Title: Domain Generalization with MixStyle
• Title（参考訳）: MixStyleによるドメインの一般化
• Authors: Kaiyang Zhou and Yongxin Yang and Yu Qiao and Tao Xiang
• Abstract要約: ドメインの一般化(domain generalization)は、ソースドメインのセットから学習することでこの問題に対処しようとしている。 MixStyleと呼ばれるこの手法は、視覚領域が画像スタイルと密接に関連しているという観察によって動機づけられる。 MixStyleは、ミニバッチトレーニングに完全に適合し、実装が非常に簡単です。
• 参考スコア（独自算出の注目度）: 120.52367818581608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though convolutional neural networks (CNNs) have demonstrated remarkable ability in learning discriminative features, they often generalize poorly to unseen domains. Domain generalization aims to address this problem by learning from a set of source domains a model that is generalizable to any unseen domain. In this paper, a novel approach is proposed based on probabilistically mixing instance-level feature statistics of training samples across source domains. Our method, termed MixStyle, is motivated by the observation that visual domain is closely related to image style (e.g., photo vs.~sketch images). Such style information is captured by the bottom layers of a CNN where our proposed style-mixing takes place. Mixing styles of training instances results in novel domains being synthesized implicitly, which increase the domain diversity of the source domains, and hence the generalizability of the trained model. MixStyle fits into mini-batch training perfectly and is extremely easy to implement. The effectiveness of MixStyle is demonstrated on a wide range of tasks including category classification, instance retrieval and reinforcement learning.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は、識別的特徴の学習において顕著な能力を示したが、しばしば見当たらない領域に一般化する。 ドメインの一般化(domain generalization)は、ソースドメインのセットから学習することでこの問題に対処しようとしている。 本稿では,ソース領域にまたがるトレーニングサンプルのインスタンスレベルの特徴統計を確率論的に混合する手法を提案する。 この手法はMixStyleと呼ばれ、視覚領域が画像スタイル(例えば、写真対−スケッチ画像)と密接に関連しているという観察によって動機づけられる。 このようなスタイル情報は、提案するスタイルミックスが行われるcnnの下位層によってキャプチャされます。 トレーニングインスタンスの混合スタイルにより、新しいドメインが暗黙的に合成され、ソースドメインのドメインの多様性が増大し、トレーニングされたモデルの一般化可能性が向上する。 MixStyleは、ミニバッチトレーニングに完全に適合し、実装が非常に簡単です。 mixstyleの有効性は,カテゴリー分類,インスタンス検索,強化学習など幅広いタスクで実証された。

関連論文リスト

• CycleMix: Mixing Source Domains for Domain Generalization in Style-Dependent Data [5.124256074746721]
  画像分類の場合、アルゴリズムが一般化に失敗する理由の1つは、トレーニングデータに存在する急激な相関に依存することである。 これらの関連性は、目に見えないテストデータには存在せず、その効果が著しく低下する。 本研究では,この領域一般化問題を,画像スタイルに起因する特徴を無視する頑健な特徴抽出器を訓練することにより緩和する。
  論文  参考訳（メタデータ） (2024-07-18T11:43:26Z)
• Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation [73.3083304858763]
  本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。 具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。 フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
  論文  参考訳（メタデータ） (2023-03-17T05:22:44Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
  ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。 一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。 我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。 提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
  論文  参考訳（メタデータ） (2022-11-07T09:38:34Z)
• Adversarial Style Augmentation for Domain Generalized Urban-Scene Segmentation [120.96012935286913]
  そこで本研究では,学習中にハードなスタイリング画像を生成可能な,新たな対向型拡張手法を提案する。 2つの合成から実のセマンティックセグメンテーションベンチマークの実験により、AdvStyleは目に見えない実領域におけるモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2022-07-11T14:01:25Z)
• Domain Generalization via Gradient Surgery [5.38147998080533]
  現実のアプリケーションでは、マシンラーニングモデルは、トレーニングとテストドメイン間のデータ分散の変化があるシナリオに直面します。 本研究では,ドメインシフトのシナリオに現れる矛盾する勾配を特徴付けるとともに,新たな勾配合意戦略を考案する。
  論文  参考訳（メタデータ） (2021-08-03T16:49:25Z)
• MixStyle Neural Networks for Domain Generalization and Adaptation [122.36901703868321]
  MixStyleは、データ収集やモデルのキャパシティ向上を必要とせずに、ドメインの一般化性能を向上させるプラグイン・アンド・プレイモジュールである。 実験の結果,MixStyleは画像認識,インスタンス検索,強化学習など幅広いタスクにおいて,分布外一般化性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-07-05T14:29:19Z)
• Heterogeneous Domain Generalization via Domain Mixup [0.0]
  深層畳み込みニューラルネットワーク(DCNN)の主な欠点の1つは、一般化能力の欠如である。 本稿では,複数のソース領域にサンプルを混在させることにより,新しいヘテロジニアス領域の一般化手法を提案する。 The Visual Decathlon benchmark on the experimental results showed the effective of our method。
  論文  参考訳（メタデータ） (2020-09-11T13:53:56Z)
• Frustratingly Simple Domain Generalization via Image Stylization [27.239024949033496]
  畳み込みニューラルネットワーク(CNN)は,標準分類設定において優れた性能を示す。 CNNは、異なる統計を持つ新しいドメインに容易に一般化しない。 我々は、非常に単純で効果的な手法、すなわち、このバイアスを、スタイリングされた画像でデータセットを増強することで補正することを示した。
  論文  参考訳（メタデータ） (2020-06-19T16:20:40Z)

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。