論文の概要: Adaptive Mixture of Experts Learning for Generalizable Face
Anti-Spoofing
- arxiv url: http://arxiv.org/abs/2207.09868v1
- Date: Wed, 20 Jul 2022 13:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 13:50:48.955118
- Title: Adaptive Mixture of Experts Learning for Generalizable Face
Anti-Spoofing
- Title(参考訳): 顔の汎用化のためのエキスパート学習の適応混合
- Authors: Qianyu Zhou, Ke-Yue Zhang, Taiping Yao, Ran Yi, Shouhong Ding,
Lizhuang Ma
- Abstract要約: ドメイン一般化(DG)に基づく反偽造防止アプローチが注目されている。
既存のDGベースのFASアプローチは、様々な目に見えない領域を一般化するために、ドメイン不変の特徴を常に捉えている。
このフレームワークは、ドメイン固有の情報を利用して、目に見えないソースドメインと未知のターゲットドメイン間のリンクを適応的に確立する。
- 参考スコア(独自算出の注目度): 37.75738807247752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With various face presentation attacks emerging continually, face
anti-spoofing (FAS) approaches based on domain generalization (DG) have drawn
growing attention. Existing DG-based FAS approaches always capture the
domain-invariant features for generalizing on the various unseen domains.
However, they neglect individual source domains' discriminative characteristics
and diverse domain-specific information of the unseen domains, and the trained
model is not sufficient to be adapted to various unseen domains. To address
this issue, we propose an Adaptive Mixture of Experts Learning (AMEL)
framework, which exploits the domain-specific information to adaptively
establish the link among the seen source domains and unseen target domains to
further improve the generalization. Concretely, Domain-Specific Experts (DSE)
are designed to investigate discriminative and unique domain-specific features
as a complement to common domain-invariant features. Moreover, Dynamic Expert
Aggregation (DEA) is proposed to adaptively aggregate the complementary
information of each source expert based on the domain relevance to the unseen
target domain. And combined with meta-learning, these modules work
collaboratively to adaptively aggregate meaningful domain-specific information
for the various unseen target domains. Extensive experiments and visualizations
demonstrate the effectiveness of our method against the state-of-the-art
competitors.
- Abstract(参考訳): 様々な顔提示攻撃が絶え間なく発生し、ドメイン一般化(DG)に基づく顔反偽造(FAS)アプローチが注目されている。
既存のDGベースのFASアプローチは、様々な目に見えない領域を一般化するために、ドメイン不変の特徴を常に捉えている。
しかし、個々のソースドメインの識別特性や、未知覚ドメインの多様なドメイン固有情報を無視しており、訓練されたモデルは様々な未知覚ドメインに適応するには不十分である。
この問題に対処するために,ドメイン固有の情報を活用して,対象ドメインと対象ドメイン間のリンクを適応的に確立し,さらに一般化を改善するための適応混合学習フレームワーク(AMEL)を提案する。
具体的には、ドメイン特化専門家(Domain-Specific Experts, DSE)は、共通のドメイン不変機能の補完として、識別的およびユニークなドメイン特化特徴を調査するために設計されている。
さらに,対象領域に対するドメインの関連性に基づいて,各ソースエキスパートの補完情報を適応的に集約するために,動的エキスパートアグリゲーション(dea)を提案する。
そしてメタ学習と組み合わせることで、これらのモジュールは協調して、目に見えないさまざまなドメインに対して意味のあるドメイン固有の情報を適応的に集約する。
広範な実験と可視化により,最先端の競争相手に対する提案手法の有効性が実証された。
関連論文リスト
- Aggregation of Disentanglement: Reconsidering Domain Variations in
Domain Generalization [9.577254317971933]
ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。
本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。
また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
論文 参考訳(メタデータ) (2023-02-05T09:48:57Z) - 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) - 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) - 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) - TAL: Two-stream Adaptive Learning for Generalizable Person
Re-identification [115.31432027711202]
我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。
これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。
我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
論文 参考訳(メタデータ) (2021-11-29T01:27:42Z) - 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) - 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) - Domain Consistency Regularization for Unsupervised Multi-source Domain
Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。
MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。
本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-16T07:29:27Z) - Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。
本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。
種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-08T09:12:24Z) - Learning to Balance Specificity and Invariance for In and Out of Domain
Generalization [27.338573739304604]
ドメイン内および外部の一般化性能を改善するモデルである一般化のためのドメイン固有マスクを紹介する。
ドメインの一般化のために、ゴールはソースドメインの集合から学び、見えないターゲットドメインに最もよく一般化する単一のモデルを作成することである。
本研究では,PACSとDomainNetの両面において,単純なベースラインと最先端の手法と比較して,競争力のある性能を示す。
論文 参考訳(メタデータ) (2020-08-28T20:39:51Z)
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。