論文の概要: Compound Domain Generalization via Meta-Knowledge Encoding
- arxiv url: http://arxiv.org/abs/2203.13006v1
- Date: Thu, 24 Mar 2022 11:54:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 14:33:27.502840
- Title: Compound Domain Generalization via Meta-Knowledge Encoding
- Title（参考訳）: メタ知識エンコードによる複合ドメインの一般化
- Authors: Chaoqi Chen, Jiongcheng Li, Xiaoguang Han, Xiaoqing Liu, Yizhou Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.22920476224671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization (DG) aims to improve the generalization performance for
an unseen target domain by using the knowledge of multiple seen source domains.
Mainstream DG methods typically assume that the domain label of each source
sample is known a priori, which is challenged to be satisfied in many
real-world applications. In this paper, we study a practical problem of
compound DG, which relaxes the discrete domain assumption to the mixed source
domains setting. On the other hand, current DG algorithms prioritize the focus
on semantic invariance across domains (one-vs-one), while paying less attention
to the holistic semantic structure (many-vs-many). Such holistic semantic
structure, referred to as meta-knowledge here, is crucial for learning
generalizable representations. To this end, we present Compound Domain
Generalization via Meta-Knowledge Encoding (COMEN), a general approach to
automatically discover and model latent domains in two steps. Firstly, we
introduce Style-induced Domain-specific Normalization (SDNorm) to re-normalize
the multi-modal underlying distributions, thereby dividing the mixture of
source domains into latent clusters. Secondly, we harness the prototype
representations, the centroids of classes, to perform relational modeling in
the embedding space with two parallel and complementary modules, which
explicitly encode the semantic structure for the out-of-distribution
generalization. Experiments on four standard DG benchmarks reveal that COMEN
exceeds the state-of-the-art performance without the need of domain
supervision.
- Abstract（参考訳）: ドメイン一般化(DG)は、複数のソースドメインの知識を用いて、目に見えないターゲットドメインの一般化性能を改善することを目的としている。
メインストリームDG法は、典型的には、各ソースサンプルのドメインラベルがプリミティブとして知られており、多くの現実世界のアプリケーションで満足することが課題である。
本稿では、離散領域仮定を混合ソース領域設定に緩和する複合DGの実践的問題について検討する。
一方、現在のDGアルゴリズムでは、ドメイン間の意味的不変性(1対vs-one)に重点を置いている一方で、全体論的意味構造(many-vs-many)にはあまり注意を払わない。
このような包括的意味構造はメタ知識と呼ばれ、一般化可能な表現を学ぶのに不可欠である。
そこで本研究では,2つのステップで潜在ドメインを自動的に発見・モデル化する手法であるmeta-knowledge encoding (comen) による複合ドメイン一般化を提案する。
まず,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)を導入し,ソースドメインの混合を潜在クラスタに分割する。
次に, 組込み空間における2つの並列および相補的加群による関係モデリングを行うために, クラスセントロイドのプロトタイプ表現を用いて, 分布外一般化のセマンティック構造を明示的にエンコードする。
4つの標準DG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。
関連論文リスト
- Mix and Reason: Reasoning over Semantic Topology with Data Mixing for
Domain Generalization [48.90173060487124]
ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。
mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。
複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
論文 参考訳（メタデータ） (2022-10-14T06:52:34Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T08:06:50Z) - 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) - 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) - Structured Latent Embeddings for Recognizing Unseen Classes in Unseen
Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。
挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文 参考訳（メタデータ） (2021-07-12T17:57:46Z) - Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain
Adaptive Semantic Segmentation [102.42638795864178]
セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。
対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。
その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。
モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
論文 参考訳（メタデータ） (2020-12-15T13:21:54Z) - 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。