論文の概要: Open Domain Generalization with Domain-Augmented Meta-Learning
- arxiv url: http://arxiv.org/abs/2104.03620v1
- Date: Thu, 8 Apr 2021 09:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 22:22:46.327985
- Title: Open Domain Generalization with Domain-Augmented Meta-Learning
- Title(参考訳): ドメイン拡張メタラーニングによるオープンドメインの一般化
- Authors: Yang Shu, Zhangjie Cao, Chenyu Wang, Jianmin Wang, Mingsheng Long
- Abstract要約: オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。
本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。
種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 83.59952915761141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Leveraging datasets available to learn a model with high generalization
ability to unseen domains is important for computer vision, especially when the
unseen domain's annotated data are unavailable. We study a novel and practical
problem of Open Domain Generalization (OpenDG), which learns from different
source domains to achieve high performance on an unknown target domain, where
the distributions and label sets of each individual source domain and the
target domain can be different. The problem can be generally applied to diverse
source domains and widely applicable to real-world applications. We propose a
Domain-Augmented Meta-Learning framework to learn open-domain generalizable
representations. We augment domains on both feature-level by a new Dirichlet
mixup and label-level by distilled soft-labeling, which complements each domain
with missing classes and other domain knowledge. We conduct meta-learning over
domains by designing new meta-learning tasks and losses to preserve domain
unique knowledge and generalize knowledge across domains simultaneously.
Experiment results on various multi-domain datasets demonstrate that the
proposed Domain-Augmented Meta-Learning (DAML) outperforms prior methods for
unseen domain recognition.
- Abstract(参考訳): 一般化能力の高いモデルを学ぶために利用可能なデータセットを活用することは、コンピュータビジョンにとって重要であり、特に未確認領域の注釈付きデータが利用できない場合である。
個別のソースドメインと対象ドメインの分布とラベル集合が異なる未知のターゲットドメインにおいて、異なるソースドメインから学び高いパフォーマンスを達成するオープンドメイン一般化(opendg)の新規かつ実用的な問題について検討する。
この問題は様々なソースドメインに適用でき、現実世界のアプリケーションにも広く適用できる。
オープンドメインの一般化表現を学習するためのドメイン拡張メタラーニングフレームワークを提案する。
新しいディリクレ混合とラベルレベルを蒸留ソフトラベルで拡張し、各ドメインを欠落クラスやその他のドメイン知識で補完する。
新しいメタ学習タスクと損失を設計してドメイン上のメタ学習を行い、ドメイン固有の知識を保持し、同時にドメイン間の知識を一般化する。
種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
関連論文リスト
- 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) - Aggregation of Disentanglement: Reconsidering Domain Variations in
Domain Generalization [9.577254317971933]
ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。
本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。
また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
論文 参考訳(メタデータ) (2023-02-05T09:48:57Z) - Domain-Unified Prompt Representations for Source-Free Domain
Generalization [6.614361539661422]
ドメインの一般化は、汎用人工知能に対する確実な方法だ。
既存の手法では、オープンワールドシナリオにおいて多様なドメインにスケールすることは困難である。
本稿では,大規模視覚言語事前学習モデルに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-09-29T16:44:09Z) - Discovering Domain Disentanglement for Generalized Multi-source Domain
Adaptation [48.02978226737235]
典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識をラベル付きターゲットドメインに転送することを目的としている。
本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-11T04:33:08Z) - 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) - Exploiting Domain-Specific Features to Enhance Domain Generalization [10.774902700296249]
ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。
以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。
本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
論文 参考訳(メタデータ) (2021-10-18T15:42:39Z) - 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) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-25T14:33:33Z) - 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) - Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。
既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。
我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-08T14:20:24Z)
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。