論文の概要: Gated Domain-Invariant Feature Disentanglement for Domain Generalizable Object Detection

• arxiv url: http://arxiv.org/abs/2203.11432v1
• Date: Tue, 22 Mar 2022 03:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 07:00:06.816210
• Title: Gated Domain-Invariant Feature Disentanglement for Domain Generalizable Object Detection
• Title（参考訳）: 領域一般化可能な物体検出のためのGated Domain-Invariant Feature Disentanglement
• Authors: Haozhuo Zhang, Huimin Yu, Yuming Yan, Runfa Wang
• Abstract要約: 領域一般化可能なオブジェクト検出(DGOD)のためのGDIFD(Gated Domain-Invariant Feature Disentanglement)を提案する。 提案したGDIFDにより、我々のフレームワークのバックボーンは、望まれるマッピングに容易に適合し、チャネルワイドのアンタングル化を可能にする。 実験では,本手法が極めて有効であり,最先端のDGOD性能を実現することを実証した。
• 参考スコア（独自算出の注目度）: 2.3226893628361682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For Domain Generalizable Object Detection (DGOD), Disentangled Representation Learning (DRL) helps a lot by explicitly disentangling Domain-Invariant Representations (DIR) from Domain-Specific Representations (DSR). Considering the domain category is an attribute of input data, it should be feasible for networks to fit a specific mapping which projects DSR into feature channels exclusive to domain-specific information, and thus much cleaner disentanglement of DIR from DSR can be achieved simply on channel dimension. Inspired by this idea, we propose a novel DRL method for DGOD, which is termed Gated Domain-Invariant Feature Disentanglement (GDIFD). In GDIFD, a Channel Gate Module (CGM) learns to output channel gate signals close to either 0 or 1, which can mask out the channels exclusive to domain-specific information helpful for domain recognition. With the proposed GDIFD, the backbone in our framework can fit the desired mapping easily, which enables the channel-wise disentanglement. In experiments, we demonstrate that our approach is highly effective and achieves state-of-the-art DGOD performance.
• Abstract（参考訳）: Domain Generalizable Object Detection (DGOD) では、Domain-Invariant Representation (DSR) からDomain-Invariant Representation (DIR) を明示的に切り離すことで、Disentangled Representation Learning (DRL) が多くの役に立ちます。 ドメインカテゴリが入力データの属性であることを考えると、DSRをドメイン固有の情報のみに限定した特徴チャネルにプロジェクションする特定のマッピングにネットワークが適合し、DSRからのDIRのよりクリーンな切り離しは、チャネル次元で簡単に実現できる。 このアイデアに触発されて、Gated Domain-Invariant Feature Disentanglement (GDIFD)と呼ばれるDGODの新しいDRL法を提案する。 gdifdでは、チャネルゲートモジュール(cgm)が0または1に近いチャネルゲート信号を出力することを学習し、ドメイン認識に有用なドメイン固有情報のみのチャネルをマスクする。 提案するgdifdでは,提案フレームワークのバックボーンが所望のマッピングに容易に適合するので,チャネル間の絡み合いを解消できる。 実験では,本手法が極めて有効であり,最先端のDGOD性能を実現することを実証した。

関連論文リスト

• Domain generalization Person Re-identification on Attention-aware multi-operation strategery [8.90472129039969]
  ドメイン一般化者再識別(DG Re-ID)は、ソースドメイン上でトレーニングされたモデルを、十分に一般化された未確認対象ドメインに直接デプロイすることを目的としている。 既存のDG Re-ID法では、不変演算は領域一般化特徴の抽出に有効である。 DG Re-IDのための注意型マルチオペレーティングストラテジ(AMS)を提案し,より一般化された特徴を抽出した。
  論文  参考訳（メタデータ） (2022-10-19T09:18:46Z)
• Implicit Semantic Augmentation for Distance Metric Learning in Domain Generalization [25.792285194055797]
  ドメイン一般化(DG)は、1つ以上の異なるが関連するソースドメインのモデルを、目に見えないターゲットドメインに一般化することを目的としている。 既存のDG手法は、モデルの一般化能力のために、ソースドメインの多様性を促進する。 この研究は、特徴空間における暗黙のセマンティック拡張を適用して、ソースドメインの多様性を捉える。
  論文  参考訳（メタデータ） (2022-08-02T11:37:23Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Exploiting Domain-Specific Features to Enhance Domain Generalization [10.774902700296249]
  ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。 本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:42:39Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Channel-wise Alignment for Adaptive Object Detection [66.76486843397267]
  遺伝的物体検出は、ディープ畳み込みニューラルネットワークの開発によって大いに促進されている。 このタスクの既存の方法は、通常、画像全体や関心の対象に基づいて、ハイレベルなアライメントに注意を向ける。 本稿では,チャネルワイドアライメント(チャネルワイドアライメント)という,まったく異なる観点からの適応を実現する。
  論文  参考訳（メタデータ） (2020-09-07T02:42:18Z)
• 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)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。