論文の概要: Semi-Supervised Domain Generalization in Real World:New Benchmark and Strong Baseline

• arxiv url: http://arxiv.org/abs/2111.10221v1
• Date: Fri, 19 Nov 2021 13:55:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-22 16:01:50.764028
• Title: Semi-Supervised Domain Generalization in Real World:New Benchmark and Strong Baseline
• Title（参考訳）: 実世界における半教師ありドメイン一般化:新しいベンチマークと強いベースライン
• Authors: Luojun Lin, Han Xie, Zhifeng Yang, Zhishu Sun, Wenxi Liu, Yuanlong Yu, Weijie Chen, Shicai Yang and Di Xie
• Abstract要約: 本稿では、ラベル付きドメインとラベルなしドメインの相互作用を研究するために、半教師付きドメイン一般化と呼ばれる新しいタスクを導入する。 本稿では,ラベル伝搬と領域一般化の正のフィードバックを促すためのサイクル学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 31.068126857975884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional domain generalization aims to learn domain invariant representation from multiple domains, which requires accurate annotations. In realistic application scenarios, however, it is too cumbersome or even infeasible to collect and annotate the large mass of data. Yet, web data provides a free lunch to access a huge amount of unlabeled data with rich style information that can be harnessed to augment domain generalization ability. In this paper, we introduce a novel task, termed as semi-supervised domain generalization, to study how to interact the labeled and unlabeled domains, and establish two benchmarks including a web-crawled dataset, which poses a novel yet realistic challenge to push the limits of existing technologies. To tackle this task, a straightforward solution is to propagate the class information from the labeled to the unlabeled domains via pseudo labeling in conjunction with domain confusion training. Considering narrowing domain gap can improve the quality of pseudo labels and further advance domain invariant feature learning for generalization, we propose a cycle learning framework to encourage the positive feedback between label propagation and domain generalization, in favor of an evolving intermediate domain bridging the labeled and unlabeled domains in a curriculum learning manner. Experiments are conducted to validate the effectiveness of our framework. It is worth highlighting that web-crawled data benefits domain generalization as demonstrated in our results. Our code will be available later.
• Abstract（参考訳）: 従来のドメイン一般化は、正確なアノテーションを必要とする複数のドメインからドメイン不変表現を学ぶことを目的としている。 しかし、現実的なアプリケーションシナリオでは、大量のデータを集めて注釈を付けるのは面倒すぎるか、あるいは不可能です。 しかし、web dataは大量のラベルのないデータにアクセスするための無料のランチを提供し、リッチなスタイル情報を提供し、ドメインの一般化能力を高めることができる。 本稿では,ラベル付きドメインとラベル付きドメインの相互作用を研究するために,半教師付きドメイン一般化と呼ばれる新しいタスクを導入し,既存の技術の限界を押し上げるための新しい現実的挑戦となるwebクロージャデータセットを含む2つのベンチマークを確立する。 このタスクに取り組むための簡単な解決策は、ラベル付きドメインからラベル付きドメインへのクラス情報を疑似ラベル付けを通じて、ドメイン混乱トレーニングと組み合わせて伝達することである。 ドメインギャップを狭めることで擬似ラベルの品質が向上し、さらに一般化のためのドメイン不変機能学習が進むことを考慮し、ラベル伝達とドメイン一般化の間のポジティブなフィードバックを促進するためのサイクル学習フレームワークを提案し、ラベル付きドメインとラベルなしドメインをカリキュラム学習形式でブリッジする進化中の中間ドメインを選択する。 フレームワークの有効性を検証する実験を行った。 この結果が示すように、Webcrawled Dataはドメインの一般化に役立ちます。 私たちのコードは後で入手できます。

関連論文リスト

• GenGMM: Generalized Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.9626666671366837]
  一般化ガウス混合(GenGMM)ドメイン適応モデルを導入する。 実験は我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-21T20:21:09Z)
• 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)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• 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)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• 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)
• 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)
• Generalize then Adapt: Source-Free Domain Adaptive Semantic Segmentation [78.38321096371106]
  先行技術はラベル付きソースとラベルなしターゲットの両方への同時アクセスを前提としており、ソースフリー適応を必要とするシナリオには適さない。 本研究では、タスクをa)ソースのみのドメイン一般化とb)ソースフリーなターゲット適応の2つに分割することで、ソースフリーのDAを可能にする。 本研究では,空間的不規則性を回避し,擬似ラベル品質を向上する条件付き事前強化オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2021-08-25T14:18:59Z)
• 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。