論文の概要: Exact Feature Distribution Matching for Arbitrary Style Transfer and
Domain Generalization
- arxiv url: http://arxiv.org/abs/2203.07740v1
- Date: Tue, 15 Mar 2022 09:18:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 14:49:29.920250
- Title: Exact Feature Distribution Matching for Arbitrary Style Transfer and
Domain Generalization
- Title(参考訳): 任意型転送と領域一般化のための厳密な特徴分布マッチング
- Authors: Yabin Zhang, Minghan Li, Ruihuang Li, Kui Jia, Lei Zhang
- Abstract要約: 画像特徴の実験的累積分布関数 (eCDF) を正確にマッチングすることにより, EFDM (Exact Feature Distribution Matching) を実現する。
Sort-Matchingと呼ばれる高速なEHMアルゴリズムは、最小限のコストでEFDMをプラグ・アンド・プレイで実行するために使用される。
提案手法の有効性を,様々なASTタスクとDGタスクで検証し,新しい成果を実証した。
- 参考スコア(独自算出の注目度): 43.19170120544387
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Arbitrary style transfer (AST) and domain generalization (DG) are important
yet challenging visual learning tasks, which can be cast as a feature
distribution matching problem. With the assumption of Gaussian feature
distribution, conventional feature distribution matching methods usually match
the mean and standard deviation of features. However, the feature distributions
of real-world data are usually much more complicated than Gaussian, which
cannot be accurately matched by using only the first-order and second-order
statistics, while it is computationally prohibitive to use high-order
statistics for distribution matching. In this work, we, for the first time to
our best knowledge, propose to perform Exact Feature Distribution Matching
(EFDM) by exactly matching the empirical Cumulative Distribution Functions
(eCDFs) of image features, which could be implemented by applying the Exact
Histogram Matching (EHM) in the image feature space. Particularly, a fast EHM
algorithm, named Sort-Matching, is employed to perform EFDM in a plug-and-play
manner with minimal cost. The effectiveness of our proposed EFDM method is
verified on a variety of AST and DG tasks, demonstrating new state-of-the-art
results. Codes are available at https://github.com/YBZh/EFDM.
- Abstract(参考訳): 任意スタイル転送(AST)とドメイン一般化(DG)は重要かつ困難な視覚学習課題であり、特徴分布マッチング問題として利用することができる。
ガウス的特徴分布の仮定により、従来の特徴分布マッチング法は通常、特徴の平均偏差と標準偏差に一致する。
しかし、実世界のデータの特徴分布は通常ガウシアンよりもはるかに複雑であり、一階統計と二階統計のみを用いることで正確に一致することはできないが、高階統計を分布マッチングに使用することは計算学的に禁止されている。
本研究では,画像特徴空間にExact Histogram Matching (EHM)を適用することで実現可能な,画像特徴の経験的累積分布関数(eCDF)を正確にマッチングすることで,EFDM(Exact Feature Distribution Matching)を実行することを提案する。
特に、高速なEHMアルゴリズムであるSort-Matchingは、低コストでEFDMをプラグアンドプレイで実行するために使用される。
提案手法の有効性を,様々なASTタスクとDGタスクで検証し,新しい成果を実証した。
コードはhttps://github.com/YBZh/EFDMで入手できる。
関連論文リスト
- Open Domain Generalization with a Single Network by Regularization
Exploiting Pre-trained Features [37.518025833882334]
Open Domain Generalization(ODG)は、分散シフトとカテゴリシフトを扱うため、困難なタスクである。
これまでの作業では複数のソース特化ネットワークを使用しており、コストが高い。
本稿では,単一ネットワークのみを用いてODGを処理できる手法を提案する。
論文 参考訳(メタデータ) (2023-12-08T16:22:10Z) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳(メタデータ) (2023-10-18T07:30:08Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Okapi: Generalising Better by Making Statistical Matches Match [7.392460712829188]
オカピは、オンライン統計マッチングに基づく頑健な半教師あり学習のためのシンプルで効率的で汎用的な方法である。
提案手法では, 最寄りのマッチング手法を用いて, 整合性損失に対するクロスドメインビューを生成する。
経験的リスクの最小化を改善するために、余分な遅延のないデータを活用することは実際に可能であることを示す。
論文 参考訳(メタデータ) (2022-11-07T12:41:17Z) - Learning to Match Distributions for Domain Adaptation [116.14838935146004]
本稿では,ドメイン間分布マッチングを自動的に学習する学習 to Match (L2M)を提案する。
L2Mは、メタネットワークを用いてデータ駆動方式で分布整合損失を学習することにより、誘導バイアスを低減する。
公開データセットの実験は、SOTA法よりもL2Mの方が優れていることを裏付けている。
論文 参考訳(メタデータ) (2020-07-17T03:26:13Z) - Understanding Anomaly Detection with Deep Invertible Networks through
Hierarchies of Distributions and Features [4.25227087152716]
畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。
inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。
モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
論文 参考訳(メタデータ) (2020-06-18T20:56:14Z) - Reciprocal Adversarial Learning via Characteristic Functions [12.961770002117142]
GAN(Generative Adversarial Nets)は、複雑な分散を伴うタスクに好まれるツールである。
特徴関数(CF)を用いて分布を時間ではなく時間的に比較する方法を示す。
次に、逆数が存在する場合の埋め込み領域とデータ領域の等価性を証明し、自動エンコーダ構造で自然にGANを開発する。
この効率的な構造は、単純なトレーニング戦略とともに2つのモジュールのみを使用して、双方向で鮮明な画像を生成する。
論文 参考訳(メタデータ) (2020-06-15T14:04:55Z) - Feature Quantization Improves GAN Training [126.02828112121874]
識別器の特徴量子化(FQ)は、真と偽のデータの両方を共有離散空間に埋め込む。
本手法は,既存のGANモデルに容易に接続でき,訓練における計算オーバーヘッドがほとんどない。
論文 参考訳(メタデータ) (2020-04-05T04:06:50Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2019-12-30T17:36:33Z)
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。