論文の概要: Test-time Fourier Style Calibration for Domain Generalization

• arxiv url: http://arxiv.org/abs/2205.06427v1
• Date: Fri, 13 May 2022 02:43:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 23:18:40.980466
• Title: Test-time Fourier Style Calibration for Domain Generalization
• Title（参考訳）: ドメイン一般化のためのテスト時間フーリエ型校正
• Authors: Xingchen Zhao, Chang Liu, Anthony Sicilia, Seong Jae Hwang, Yun Fu
• Abstract要約: 我々は、ソーススタイルとターゲットスタイルのギャップを減らせば、モデルの一般化可能性を高めることができると論じる。 トレーニング中に対象ドメインにアクセスできないというジレンマを解決するために,テストタイムスタイル(TF-Cal)を導入する。 TF-Calを補完するAAF(Augment Amplitude Features)に有効な手法を提案する。
• 参考スコア（独自算出の注目度）: 47.314071215317995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The topic of generalizing machine learning models learned on a collection of source domains to unknown target domains is challenging. While many domain generalization (DG) methods have achieved promising results, they primarily rely on the source domains at train-time without manipulating the target domains at test-time. Thus, it is still possible that those methods can overfit to source domains and perform poorly on target domains. Driven by the observation that domains are strongly related to styles, we argue that reducing the gap between source and target styles can boost models' generalizability. To solve the dilemma of having no access to the target domain during training, we introduce Test-time Fourier Style Calibration (TF-Cal) for calibrating the target domain style on the fly during testing. To access styles, we utilize Fourier transformation to decompose features into amplitude (style) features and phase (semantic) features. Furthermore, we present an effective technique to Augment Amplitude Features (AAF) to complement TF-Cal. Extensive experiments on several popular DG benchmarks and a segmentation dataset for medical images demonstrate that our method outperforms state-of-the-art methods.
• Abstract（参考訳）: ソースドメインの集合で学習した機械学習モデルを未知のターゲットドメインに一般化するという課題は難しい。 多くのドメイン一般化(DG)手法は有望な結果を得たが、主にテスト時にターゲットドメインを操作することなく、列車時にソースドメインに依存する。 したがって、これらのメソッドがソースドメインに過剰に適合し、ターゲットドメインでパフォーマンスが低下する可能性がある。 ドメインがスタイルと強く結びついているという観察によって、ソースとターゲットのスタイルのギャップを減らすことがモデルの一般化可能性を高めると論じる。 トレーニング中にターゲットドメインにアクセスできないというジレンマを解決するために,テスト中のターゲットドメインスタイルを調整するためのTF-Cal(Test-time Fourier Style Calibration)を導入する。 スタイルにアクセスするために、フーリエ変換を用いて特徴を振幅(スタイル)特徴と位相(意味)特徴に分解する。 さらに,TF-Calを補完するAAF(Augment Amplitude Features)を提案する。 いくつかのDGベンチマークと医用画像のセグメンテーションデータセットによる大規模な実験により,本手法が最先端の手法より優れていることが示された。

関連論文リスト

• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Phrase Grounding-based Style Transfer for Single-Domain Generalized Object Detection [109.58348694132091]
  単一ドメインの一般化オブジェクト検出は、複数の未確認対象ドメインに対するモデルの一般化性を高めることを目的としている。 これは、ターゲットのドメインデータをトレーニングに組み込むことなく、ドメインシフトに対処するモデルを必要とするため、実用的だが難しいタスクである。 そこで我々は,課題に対する新しい文節接頭辞に基づくスタイル伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:48:43Z)
• TACIT: A Target-Agnostic Feature Disentanglement Framework for Cross-Domain Text Classification [17.19214732926589]
  クロスドメインテキスト分類は、ラベルの豊富なソースドメインからラベルの少ないターゲットドメインにモデルを転送することを目的としている。 本稿では,ロバストな特徴とアンロバストな特徴を適応的に分離する対象領域特徴のアンタングル化フレームワークであるTACITを提案する。 我々のフレームワークは、ソースドメインデータのみを活用しながら、最先端のベースラインに匹敵する結果を得る。
  論文  参考訳（メタデータ） (2023-12-25T02:52:36Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
  DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-07T07:41:32Z)
• Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
  ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。 時系列センサと画像分類公開データセットの両方で競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-17T17:46:06Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)

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。