論文の概要: Feature Stylization and Domain-aware Contrastive Learning for Domain
Generalization
- arxiv url: http://arxiv.org/abs/2108.08596v1
- Date: Thu, 19 Aug 2021 10:04:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 14:30:53.889732
- Title: Feature Stylization and Domain-aware Contrastive Learning for Domain
Generalization
- Title（参考訳）: ドメイン一般化のための特徴スティル化とドメイン認識コントラスト学習
- Authors: Seogkyu Jeon, Kibeom Hong, Pilhyeon Lee, Jewook Lee, and Hyeran Byun
- Abstract要約: ドメインの一般化は、ターゲットドメインにアクセスすることなく、ドメインシフトに対するモデルを強化することを目的としている。
本稿では,特徴統計を利用して特徴を新しいドメイン特性に分類する新しいフレームワークを提案する。
提案したドメイン認識による教師付きコントラスト損失との特徴的整合性を実現する。
- 参考スコア（独自算出の注目度）: 10.027279853737511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization aims to enhance the model robustness against domain
shift without accessing the target domain. Since the available source domains
for training are limited, recent approaches focus on generating samples of
novel domains. Nevertheless, they either struggle with the optimization problem
when synthesizing abundant domains or cause the distortion of class semantics.
To these ends, we propose a novel domain generalization framework where feature
statistics are utilized for stylizing original features to ones with novel
domain properties. To preserve class information during stylization, we first
decompose features into high and low frequency components. Afterward, we
stylize the low frequency components with the novel domain styles sampled from
the manipulated statistics, while preserving the shape cues in high frequency
ones. As the final step, we re-merge both components to synthesize novel domain
features. To enhance domain robustness, we utilize the stylized features to
maintain the model consistency in terms of features as well as outputs. We
achieve the feature consistency with the proposed domain-aware supervised
contrastive loss, which ensures domain invariance while increasing class
discriminability. Experimental results demonstrate the effectiveness of the
proposed feature stylization and the domain-aware contrastive loss. Through
quantitative comparisons, we verify the lead of our method upon existing
state-of-the-art methods on two benchmarks, PACS and Office-Home.
- Abstract（参考訳）: ドメインの一般化は、ターゲットドメインにアクセスすることなく、ドメインシフトに対するモデル堅牢性を高めることを目的としている。
トレーニング用のソースドメインは限られているため、最近のアプローチでは新しいドメインのサンプルを生成することに重点を置いている。
それにもかかわらず、豊富なドメインを合成する際の最適化問題やクラスセマンティクスの歪みに苦しむかのどちらかである。
そこで,本論文では,特徴統計を新たなドメイン特性を持つものにスタイライゼーションするために利用する新しいドメイン一般化フレームワークを提案する。
文体化時にクラス情報を保存するために,まず特徴を高周波数成分と低周波数成分に分解する。
その後、我々は、新しいドメインスタイルの低周波成分を、高周波成分の形状を保ちながら、操作された統計から抽出した。
最後のステップとして、両方のコンポーネントを再統合して、新しいドメイン機能を合成します。
ドメインの堅牢性を高めるため、我々はスタイル化された特徴を活用し、特徴と出力の観点からモデルの一貫性を維持する。
提案するドメイン認識型コントラスト損失と機能整合性を実現し,クラス識別性を高めつつ,ドメイン不変性を保証する。
実験の結果,提案する特徴のスタイライゼーションとドメイン認識によるコントラスト損失の有効性が示された。
定量的比較により, PACSとOffice-Homeの2つのベンチマークにおいて, 既存の最先端手法による手法のリードを検証した。
関連論文リスト
- StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。
最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。
データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
論文 参考訳（メタデータ） (2024-06-01T02:41:34Z) - TACIT: A Target-Agnostic Feature Disentanglement Framework for
Cross-Domain Text Classification [17.19214732926589]
クロスドメインテキスト分類は、ラベルの豊富なソースドメインからラベルの少ないターゲットドメインにモデルを転送することを目的としている。
本稿では,ロバストな特徴とアンロバストな特徴を適応的に分離する対象領域特徴のアンタングル化フレームワークであるTACITを提案する。
我々のフレームワークは、ソースドメインデータのみを活用しながら、最先端のベースラインに匹敵する結果を得る。
論文 参考訳（メタデータ） (2023-12-25T02:52:36Z) - Cross Contrasting Feature Perturbation for Domain Generalization [11.863319505696184]
ドメインの一般化は、目に見えないターゲットドメインをうまく一般化するソースドメインから堅牢なモデルを学ぶことを目的としています。
近年の研究では、ソースドメインに相補的な分布を多様化するための新しいドメインサンプルや特徴の生成に焦点が当てられている。
ドメインシフトをシミュレートするオンラインワンステージクロスコントラスト機能摂動フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-24T03:27:41Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳（メタデータ） (2022-12-07T14:12:34Z) - Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。
本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
論文 参考訳（メタデータ） (2022-09-05T10:06:03Z) - Adapting Segmentation Networks to New Domains by Disentangling Latent
Representations [14.050836886292869]
ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。
本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
論文 参考訳（メタデータ） (2021-08-06T09:43:07Z) - 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) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-06-23T14:47:41Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。