論文の概要: Deep Domain Generalization with Feature-norm Network
- arxiv url: http://arxiv.org/abs/2104.13581v1
- Date: Wed, 28 Apr 2021 06:13:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 13:01:57.344451
- Title: Deep Domain Generalization with Feature-norm Network
- Title(参考訳): Feature-norm NetworkによるDeep Domain Generalization
- Authors: Mohammad Mahfujur Rahman, Clinton Fookes, Sridha Sridharan
- Abstract要約: 負の転送に頑健なFNN(End-to-end Feature-norm Network)を導入する。
また、FNNの能力をさらに向上させるために、協調的機能ノルムネットワーク(CFNN)を導入する。
- 参考スコア(独自算出の注目度): 33.84004077585957
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we tackle the problem of training with multiple source domains
with the aim to generalize to new domains at test time without an adaptation
step. This is known as domain generalization (DG). Previous works on DG assume
identical categories or label space across the source domains. In the case of
category shift among the source domains, previous methods on DG are vulnerable
to negative transfer due to the large mismatch among label spaces, decreasing
the target classification accuracy. To tackle the aforementioned problem, we
introduce an end-to-end feature-norm network (FNN) which is robust to negative
transfer as it does not need to match the feature distribution among the source
domains. We also introduce a collaborative feature-norm network (CFNN) to
further improve the generalization capability of FNN. The CFNN matches the
predictions of the next most likely categories for each training sample which
increases each network's posterior entropy. We apply the proposed FNN and CFNN
networks to the problem of DG for image classification tasks and demonstrate
significant improvement over the state-of-the-art.
- Abstract(参考訳): 本稿では,複数のソースドメインを用いたトレーニングの課題を,適応ステップなしでテスト時に新しいドメインに一般化する目的で解決する。
これはドメイン一般化 (dg) と呼ばれる。
dgの以前の作品は、ソースドメイン全体で同一のカテゴリまたはラベル空間を仮定している。
ソース領域間のカテゴリシフトの場合、ラベル空間間の大きなミスマッチによりDGの従来の手法は負の転送に弱いため、ターゲットの分類精度は低下する。
上記の問題に対処するために、ソースドメイン間の特徴分布に一致しないため、負の転送に頑健なエンドツーエンド機能ノルムネットワーク(FNN)を導入する。
また、FNNの一般化機能を改善するために、協調的機能ノルムネットワーク(CFNN)を導入する。
CFNNは、各トレーニングサンプルの次の最も可能性の高いカテゴリの予測と一致し、各ネットワークの後方エントロピーが増加する。
画像分類タスクのDG問題に対して提案するFNNおよびCFNNネットワークを適用し,最先端技術に対する大幅な改善を示す。
関連論文リスト
- Domain Adaptive Unfolded Graph Neural Networks [6.675805308519987]
グラフニューラルネットワーク(GNN)は多くのグラフ機械学習タスクで大きく進歩している。
本稿では,アーキテクチャの強化によるグラフ領域適応(GDA)の促進について考察する。
低レベル目標値の低減が保証されるカスケード伝搬(CP)と呼ばれる,単純かつ効果的な手法を提案する。
論文 参考訳(メタデータ) (2024-11-20T09:05:36Z) - CNN Feature Map Augmentation for Single-Source Domain Generalization [6.053629733936548]
ドメイン・ジェネリゼーション(DG)はここ数年で大きな注目を集めている。
DGの目標は、トレーニング中に利用可能なものと異なるデータ分散を提示した場合、引き続き正常に機能するモデルを作成することだ。
単一ソースDG画像分類設定における畳み込みニューラルネットワークアーキテクチャの代替正則化手法を提案する。
論文 参考訳(メタデータ) (2023-05-26T08:48:17Z) - Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。
GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。
本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-08T05:34:15Z) - Upcycling Models under Domain and Category Shift [95.22147885947732]
グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。
我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。
注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
論文 参考訳(メタデータ) (2023-03-13T13:44:04Z) - Domain Generalization through the Lens of Angular Invariance [44.76809026901016]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインで訓練された分類器を、ドメインシフトを伴う見えないターゲットドメインに一般化することを目的としている。
我々は、Angular Invariance Domain Generalization Network (AIDGN) と呼ばれる新しいディープDG手法を提案する。
論文 参考訳(メタデータ) (2022-10-28T02:05:38Z) - 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) - Zero-shot Domain Adaptation of Heterogeneous Graphs via Knowledge
Transfer Networks [72.82524864001691]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、強力な表現学習技術として優れた性能を示している。
異なるノードタイプにルートされたラベルを使って直接学習する方法はありません。
本研究では,HGNN(HGNN-KTN)のための新しいドメイン適応手法である知識伝達ネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-03T21:00:23Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳(メタデータ) (2021-02-17T17:46:06Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-15T11:36:21Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳(メタデータ) (2020-03-09T12:25:13Z)
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。