論文の概要: Covariance-aware Feature Alignment with Pre-computed Source Statistics for Test-time Adaptation to Multiple Image Corruptions

• arxiv url: http://arxiv.org/abs/2204.13263v2
• Date: Thu, 29 Jun 2023 07:08:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 19:47:33.240275
• Title: Covariance-aware Feature Alignment with Pre-computed Source Statistics for Test-time Adaptation to Multiple Image Corruptions
• Title（参考訳）: 複数の画像破損に対するテスト時間適応のための共分散認識特徴と事前計算ソース統計
• Authors: Kazuki Adachi, Shin'ya Yamaguchi, Atsutoshi Kumagai
• Abstract要約: 実世界の画像認識システムは、しばしば破損した入力画像に直面し、それが分散シフトを引き起こし、モデルの性能を低下させる。 テスト時間適応(TTA)は、この問題に対処できる設定の1つです。 本稿では,テスト中の分散ギャップに対処するために,共分散認識特徴アライメント(CAFe)と呼ばれる新しいTTA手法を提案する。
• 参考スコア（独自算出の注目度）: 11.859913430860335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image recognition systems often face corrupted input images, which cause distribution shifts and degrade the performance of models. These systems often use a single prediction model in a central server and process images sent from various environments, such as cameras distributed in cities or cars. Such single models face images corrupted in heterogeneous ways in test time. Thus, they require to instantly adapt to the multiple corruptions during testing rather than being re-trained at a high cost. Test-time adaptation (TTA), which aims to adapt models without accessing the training dataset, is one of the settings that can address this problem. Existing TTA methods indeed work well on a single corruption. However, the adaptation ability is limited when multiple types of corruption occur, which is more realistic. We hypothesize this is because the distribution shift is more complicated, and the adaptation becomes more difficult in case of multiple corruptions. In fact, we experimentally found that a larger distribution gap remains after TTA. To address the distribution gap during testing, we propose a novel TTA method named Covariance-Aware Feature alignment (CAFe). We empirically show that CAFe outperforms prior TTA methods on image corruptions, including multiple types of corruptions.
• Abstract（参考訳）: 実世界の画像認識システムは、しばしば破損した入力画像に直面し、分散シフトを引き起こし、モデルの性能を低下させる。 これらのシステムは、中央サーバーで単一の予測モデルを使用して、都市や車に分散したカメラのような様々な環境から送られた画像を処理する。 このような単一モデルはテスト時間で不均一な方法で劣化する。 したがって、高いコストで再トレーニングされるのではなく、テスト中に複数の腐敗に即座に適応する必要がある。 トレーニングデータセットにアクセスせずにモデルを適応することを目的としたテスト時適応(TTA)は、この問題に対処可能な設定のひとつだ。 既存のTTAメソッドは、実際には単一の汚職に対してうまく機能する。 しかし、適応能力は、より現実的な複数のタイプの腐敗が発生した場合に制限される。 これは、分散シフトがより複雑になり、複数の汚職が発生した場合に適応が困難になるためである。 実際,TTA後に分布ギャップが大きいことが実験的に確認された。 テスト中の分散ギャップに対処するために,共分散認識特徴アライメント (CAFe) と呼ばれる新しいTTA手法を提案する。 CAFeは、複数の種類の汚職を含む画像汚損に対して、以前のTTA手法よりも優れていることを実証的に示す。

関連論文リスト

• Efficient Diffusion-Driven Corruption Editor for Test-Time Adaptation [37.67328706787212]
  テスト時間適応(TTA)は、テスト時間中に発生する予期せぬ分散シフトに対処する。 本稿では,遅延拡散モデル(LDM)に基づく画像編集モデルを利用した新しいTTA手法を提案する。 我々のモデルは拡散ベースベースラインよりも100倍高速なランタイムで最高の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-16T12:18:20Z)
• Dynamic Batch Norm Statistics Update for Natural Robustness [5.366500153474747]
  本稿では,汚職検出モデルとBN統計更新からなる統合フレームワークを提案する。 CIFAR10-CとImageNet-Cの精度は8%, 4%向上した。
  論文  参考訳（メタデータ） (2023-10-31T17:20:30Z)
• Universal Test-time Adaptation through Weight Ensembling, Diversity Weighting, and Prior Correction [3.5139431332194198]
  テスト時適応(TTA)はデプロイ後もモデルを更新し続け、現在のテストデータを活用する。 我々は、自己学習ベースの手法が対処しなければならないいくつかの課題を特定し、強調する。 モデルがバイアスを受けるのを防ぐために、データセットとモデルに依存しない確実性と多様性の重み付けを利用する。
  論文  参考訳（メタデータ） (2023-06-01T13:16:10Z)
• Ambient Diffusion: Learning Clean Distributions from Corrupted Data [77.34772355241901]
  本稿では,高度に破損したサンプルのみを用いて未知の分布を学習できる拡散型フレームワークを提案する。 このアプローチのもうひとつのメリットは、個々のトレーニングサンプルを記憶しにくい生成モデルをトレーニングできることです。
  論文  参考訳（メタデータ） (2023-05-30T17:43:33Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• SITA: Single Image Test-time Adaptation [48.789568233682296]
  テスト時間適応(TTA)では、あるソースデータに基づいてトレーニングされたモデルを考えると、異なるディストリビューションからテストインスタンスに対してより良い予測を行うように適応することが目標である。 我々は、TTAをSITA(Single Image Test-time Adaptation)と呼ぶより実践的な環境で考える。 ここでは、各予測を行う場合、モデルはインスタンスのバッチではなく、与えられた単一のテストインスタンスにのみアクセスすることができる。 本稿では,前進保存伝播のみを必要とするSITA設定のための新しいアプローチAugBNを提案する。
  論文  参考訳（メタデータ） (2021-12-04T15:01:35Z)
• Benchmarks for Corruption Invariant Person Re-identification [31.919264399996475]
  本研究では,マーケット-1501,CUHK03,MSMT17,RegDB,SYSU-MM01など,単品間および多品間データセットにおける汚い不変性学習について検討した。 トランスフォーマーベースのモデルは、CNNベースのモデルと比較して、破損したイメージに対してより堅牢である。 クロスデータセットの一般化は、腐敗の堅牢性を高めることで改善される。
  論文  参考訳（メタデータ） (2021-11-01T12:14:28Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)

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。