論文の概要: Domain-Specific Bias Filtering for Single Labeled Domain Generalization
- arxiv url: http://arxiv.org/abs/2110.00726v1
- Date: Sat, 2 Oct 2021 05:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:34:34.317839
- Title: Domain-Specific Bias Filtering for Single Labeled Domain Generalization
- Title(参考訳): 単一ラベル領域一般化のためのドメイン固有バイアスフィルタリング
- Authors: Junkun Yuan, Xu Ma, Defang Chen, Kun Kuang, Fei Wu, Lanfen Lin
- Abstract要約: ドメインの一般化は、複数のラベル付きソースデータセットを使用して、目に見えないターゲットドメインに対して一般化可能なモデルをトレーニングする。
高価なアノテーションコストのため、すべてのソースデータのラベル付けの要件は、現実世界のアプリケーションでは満たされない。
本稿では,ドメイン固有バイアスをラベル付きソースデータでフィルタするDBF (Domain-Specific Bias Filtering) を提案する。
- 参考スコア(独自算出の注目度): 19.679447374738498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization (DG) utilizes multiple labeled source datasets to train
a generalizable model for unseen target domains. However, due to expensive
annotation costs, the requirements of labeling all the source data are hard to
be met in real-world applications. In this paper, we investigate a Single
Labeled Domain Generalization (SLDG) task with only one source domain being
labeled, which is more practical and challenging than the Conventional Domain
Generalization (CDG). A major obstacle in the SLDG task is the
discriminability-generalization bias: discriminative information in the labeled
source dataset may contain domain-specific bias, constraining the
generalization of the trained model. To tackle this challenging task, we
propose a novel method called Domain-Specific Bias Filtering (DSBF), which
initializes a discriminative model with the labeled source data and filters out
its domain-specific bias with the unlabeled source data for generalization
improvement. We divide the filtering process into: (1) Feature extractor
debiasing using k-means clustering-based semantic feature re-extraction; and
(2) Classifier calibrating using attention-guided semantic feature projection.
DSBF unifies the exploration of the labeled and the unlabeled source data to
enhance the discriminability and generalization of the trained model, resulting
in a highly generalizable model. We further provide theoretical analysis to
verify the proposed domain-specific bias filtering process. Extensive
experiments on multiple datasets show the superior performance of DSBF in
tackling both the challenging SLDG task and the CDG task.
- Abstract(参考訳): ドメイン一般化(DG)は、複数のラベル付きソースデータセットを使用して、目に見えないターゲットドメインに対する一般化可能なモデルをトレーニングする。
しかし、高価なアノテーションコストのため、すべてのソースデータをラベル付けする要件は、現実世界のアプリケーションでは満たせない。
本稿では,単一ラベル付きドメイン一般化(SLDG)タスクを1つのソースドメインのみにラベル付けすることで,従来のドメイン一般化(CDG)よりも実用的かつ困難であることを示す。
SLDGタスクにおける大きな障害は、識別可能性一般化バイアスである:ラベル付きソースデータセットの識別情報は、訓練されたモデルの一般化を制限し、ドメイン固有のバイアスを含むかもしれない。
この課題に取り組むために,ラベル付きソースデータで識別モデルを初期化し,その領域固有バイアスを一般化のためにラベル付きソースデータでフィルタする,ドメイン固有バイアスフィルタリング(dsbf)と呼ばれる新しい手法を提案する。
1) k-meansクラスタリングに基づく意味的特徴再抽出を用いた特徴抽出と,(2)注意誘導意味的特徴投影を用いた分類器の分類とに分類する。
DSBFはラベル付きおよびラベルなしソースデータの探索を統一し、訓練されたモデルの識別性と一般化を高め、高度に一般化可能なモデルをもたらす。
さらに,提案する領域特異的バイアスフィルタリングプロセスを検証するための理論的解析を行う。
複数のデータセットに対する大規模な実験は、難易度の高いSLDGタスクとCDGタスクの両方に取り組む上で、DSBFの優れた性能を示している。
関連論文リスト
- Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。
Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。
DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
論文 参考訳(メタデータ) (2024-07-10T11:11:36Z) - Label-Efficient Domain Generalization via Collaborative Exploration and
Generalization [28.573872986524794]
本稿では,ラベル制限されたソースドメインを用いたモデル一般化を実現するために,ラベル効率のよいドメイン一般化(LEDG)を提案する。
本稿では,活発な探索と半教師付き一般化を共同で最適化する,共同探索・一般化(CEG)と呼ばれる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) (2022-08-07T05:34:50Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なる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ます。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - 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) - Improving Multi-Domain Generalization through Domain Re-labeling [31.636953426159224]
本稿では,事前特定ドメインラベルと一般化性能の関連性について検討する。
マルチドメイン一般化のための一般的なアプローチであるMulDEnsを導入し,ERMをベースとした深層アンサンブルバックボーンを用いた。
我々は、MulDEnsがデータセット固有の拡張戦略やトレーニングプロセスの調整を必要としないことを示す。
論文 参考訳(メタデータ) (2021-12-17T23:21:50Z) - Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for
Semi-supervised Domain Generalization [26.255457629490135]
本稿では,高品質な擬似ラベルを生成するために,共同ドメイン認識ラベルと二重分類器を用いた新しいフレームワークを提案する。
ドメインシフト中の正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。
また、一般化と擬似ラベルの矛盾した目標を考えると、訓練過程において擬似ラベルとドメインの一般化を独立に行うために二重分類器を用いる。
論文 参考訳(メタデータ) (2021-10-10T15:17:27Z) - Domain-Irrelevant Representation Learning for Unsupervised Domain
Generalization [22.980607134596077]
ドメインの一般化(Domain Generalization, DG)は、ソースドメインの集合で訓練されたモデルが、見えないターゲットドメインでより良く一般化することを支援することを目的としている。
ラベルのないデータははるかにアクセスしやすいが、教師なし学習がドメイン間の深いモデルの一般化にどのように役立つかを探究する。
本研究では,未ラベルデータ内の不均一性に対処するために,ドメイン関連無教師学習(DIUL)手法を提案する。
論文 参考訳(メタデータ) (2021-07-13T16:20:50Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳(メタデータ) (2021-05-06T06:04:59Z) - 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) - 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) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳(メタデータ) (2020-07-27T00:08:07Z)
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。