論文の概要: Localized Adversarial Domain Generalization

• arxiv url: http://arxiv.org/abs/2205.04114v1
• Date: Mon, 9 May 2022 08:30:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 20:31:44.680478
• Title: Localized Adversarial Domain Generalization
• Title（参考訳）: 局所化adversarial domain generalization
• Authors: Wei Zhu, Le Lu, Jing Xiao, Mei Han, Jiebo Luo, Adam P. Harrison
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 83.4195658745378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods can struggle to handle domain shifts not seen in training data, which can cause them to not generalize well to unseen domains. This has led to research attention on domain generalization (DG), which aims to the model's generalization ability to out-of-distribution. Adversarial domain generalization is a popular approach to DG, but conventional approaches (1) struggle to sufficiently align features so that local neighborhoods are mixed across domains; and (2) can suffer from feature space over collapse which can threaten generalization performance. To address these limitations, we propose localized adversarial domain generalization with space compactness maintenance~(LADG) which constitutes two major contributions. First, we propose an adversarial localized classifier as the domain discriminator, along with a principled primary branch. This constructs a min-max game whereby the aim of the featurizer is to produce locally mixed domains. Second, we propose to use a coding-rate loss to alleviate feature space over collapse. We conduct comprehensive experiments on the Wilds DG benchmark to validate our approach, where LADG outperforms leading competitors on most datasets.
• Abstract（参考訳）: ディープラーニングメソッドは、トレーニングデータに見られないドメインシフトに対処するのに苦労する可能性がある。 このことが、モデルの分散外化能力の一般化を目標とするドメイン一般化(dg)の研究につながった。 対数領域の一般化はDGに対する一般的なアプローチであるが、(1) 従来のアプローチでは、局所的な近傍がドメイン間で混在するように特徴を十分に整合させることに苦慮し、(2) 一般化性能を脅かすような崩壊に伴う特徴空間に苦しむことができる。 これらの制約に対処するために、空間コンパクト性維持~(LADG)による局所的対向領域一般化を提案する。 まず, ドメイン識別子として, 主分枝とともに, 逆局所化分類器を提案する。 これによりミニマックスゲームが構築され、フェアチュライザの目的は局所的な混合領域を作ることである。 第二に,機能空間の崩壊を緩和するために,符号化速度損失を用いることを提案する。 我々のアプローチを検証するために、Wilds DGベンチマークで包括的な実験を行い、LADGはほとんどのデータセットで競合相手よりも優れています。

関連論文リスト

• Dynamic Proxy Domain Generalizes the Crowd Localization by Better Binary Segmentation [65.13362950067744]
  群衆のローカライゼーションは、イメージ内の各インスタンスの正確な位置を予測することを目的としている。 現在の高度な手法では、混雑予測に対処する画素単位のバイナリ分類が提案されている。 ドメインシフト下で学習者を一般化するための動的プロキシドメイン(DPD)手法を提案する。
  論文  参考訳（メタデータ） (2024-04-22T08:58:57Z)
• 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)
• Making the Best of Both Worlds: A Domain-Oriented Transformer for Unsupervised Domain Adaptation [31.150256154504696]
  Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。 ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。 本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:38:37Z)
• 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)
• Discriminative Domain-Invariant Adversarial Network for Deep Domain Generalization [33.84004077585957]
  本稿では,ドメイン一般化のための識別型ドメイン不変逆数ネットワーク(DDIAN)を提案する。 DDIANは、最先端のドメイン一般化アプローチと比較して、トレーニング中の未確認対象データに対するより良い予測を実現している。
  論文  参考訳（メタデータ） (2021-08-20T04:24:12Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• 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。