論文の概要: A Fourier-based Framework for Domain Generalization

• arxiv url: http://arxiv.org/abs/2105.11120v1
• Date: Mon, 24 May 2021 06:50:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:11:28.433402
• Title: A Fourier-based Framework for Domain Generalization
• Title（参考訳）: ドメイン一般化のためのフーリエベースフレームワーク
• Authors: Qinwei Xu, Ruipeng Zhang, Ya Zhang, Yanfeng Wang, Qi Tian
• Abstract要約: ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
• 参考スコア（独自算出の注目度）: 82.54650565298418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern deep neural networks suffer from performance degradation when evaluated on testing data under different distributions from training data. Domain generalization aims at tackling this problem by learning transferable knowledge from multiple source domains in order to generalize to unseen target domains. This paper introduces a novel Fourier-based perspective for domain generalization. The main assumption is that the Fourier phase information contains high-level semantics and is not easily affected by domain shifts. To force the model to capture phase information, we develop a novel Fourier-based data augmentation strategy called amplitude mix which linearly interpolates between the amplitude spectrums of two images. A dual-formed consistency loss called co-teacher regularization is further introduced between the predictions induced from original and augmented images. Extensive experiments on three benchmarks have demonstrated that the proposed method is able to achieve state-of-the-arts performance for domain generalization.
• Abstract（参考訳）: 現代のディープニューラルネットワークは、トレーニングデータから異なる分布下でのテストデータを評価すると、パフォーマンス劣化に悩まされる。 ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習することでこの問題に対処することを目的としている。 本稿では,新しいフーリエに基づく領域一般化の視点を提案する。 フーリエ位相情報は高レベルセマンティクスを含み、ドメインシフトの影響は容易には受けない、というのが主な前提である。 本研究では、2つの画像の振幅スペクトルを線形に補間する振幅混合と呼ばれる新しいフーリエ型データ拡張戦略を開発する。 オリジナル画像と拡張画像から引き起こされる予測の間には、共教師正則化と呼ばれる二重形式の一貫性損失がさらに導入される。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。

関連論文リスト

• Domain Generalization with Fourier Transform and Soft Thresholding [10.50210846364862]
  ドメインの一般化は、複数のソースドメイン上のモデルをトレーニングして、見当たらないターゲットドメインに適切に一般化することを目的としている。 この制限を克服するために、フーリエ整域にソフトスレッディング関数を導入する。 フーリエ変換に基づく領域一般化と融合したソフトしきい値の革新的な性質は、ニューラルネットワークモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-09-18T15:28:09Z)
• FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation [17.150527504559594]
  フーリエ適応正規化(FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netを提案する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-23T06:58:21Z)
• Domain Generalisation via Domain Adaptation: An Adversarial Fourier Amplitude Approach [13.642506915023871]
  最悪の対象ドメインを逆向きに合成し、その最悪の対象ドメインにモデルを適用する。 DomainBedNetデータセットでは、提案手法により、ドメインの一般化性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-23T14:19:07Z)
• Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
  本稿では,本課題に対して,合成-実領域一般化設定を提案する。 合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
  論文  参考訳（メタデータ） (2022-12-09T05:07:43Z)
• Deep Fourier Up-Sampling [100.59885545206744]
  フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。 これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T06:17:31Z)
• Explicit Use of Fourier Spectrum in Generative Adversarial Networks [0.0]
  真正画像のスペクトルと偽画像の間には相違点があることが示される。 本研究では,実画像と偽画像のスペクトルの相違を低減させる新しいモデルを提案する。 生成した画像の品質向上に有望な改善を実験的に示す。
  論文  参考訳（メタデータ） (2022-08-02T06:26:44Z)
• Domain Generalization via Frequency-based Feature Disentanglement and Interaction [23.61154228837516]
  ドメインの一般化は、複数のソースドメインからドメインに依存しない知識をマイニングすることを目的としている。 i) 高周波・低周波特徴分離のためのエンコーダ・デコーダ構造を導入し, (ii) 両部からの有益な知識が効果的に連携できる情報相互作用機構を提案する。 提案手法は,広範に使用されている3つの領域一般化ベンチマークの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T07:42:12Z)
• 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)
• Self-balanced Learning For Domain Generalization [64.99791119112503]
  ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。 既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。 本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T03:17:54Z)
• 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。