論文の概要: Transfering Low-Frequency Features for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2208.14706v1
• Date: Wed, 31 Aug 2022 09:13:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:26:00.025264
• Title: Transfering Low-Frequency Features for Domain Adaptation
• Title（参考訳）: ドメイン適応のための低周波特性の転送
• Authors: Zhaowen Li, Xu Zhao, Chaoyang Zhao, Ming Tang and Jinqiao Wang
• Abstract要約: 我々は低周波モジュール(LFM)と呼ばれるアプローチを導入し、ドメイン不変の特徴表現を抽出する。 実験の結果,LFMは様々なコンピュータビジョンタスクの最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 44.86474562827323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous unsupervised domain adaptation methods did not handle the cross-domain problem from the perspective of frequency for computer vision. The images or feature maps of different domains can be decomposed into the low-frequency component and high-frequency component. This paper proposes the assumption that low-frequency information is more domain-invariant while the high-frequency information contains domain-related information. Hence, we introduce an approach, named low-frequency module (LFM), to extract domain-invariant feature representations. The LFM is constructed with the digital Gaussian low-pass filter. Our method is easy to implement and introduces no extra hyperparameter. We design two effective ways to utilize the LFM for domain adaptation, and our method is complementary to other existing methods and formulated as a plug-and-play unit that can be combined with these methods. Experimental results demonstrate that our LFM outperforms state-of-the-art methods for various computer vision tasks, including image classification and object detection.
• Abstract（参考訳）: 従来の教師なし領域適応法はコンピュータビジョンの周波数の観点からはクロスドメイン問題を扱わなかった。 異なる領域の画像や特徴マップは、低周波成分と高周波成分に分解することができる。 本稿では,低周波情報がドメイン情報を含む一方で,低周波情報がドメイン不変であるという仮定を提案する。 そこで我々は,低周波モジュール (LFM) と呼ばれるアプローチを導入し,ドメイン不変の特徴表現を抽出する。 lfmはデジタルガウス低域通過フィルタで構成されている。 本手法は実装が容易で,余分なハイパーパラメータは導入しない。 我々は,LFMをドメイン適応に利用するための2つの効果的な手法を設計し,本手法は他の既存手法と相補的であり,これらの手法と組み合わせることができるプラグアンドプレイユニットとして定式化されている。 実験の結果,LFMは画像分類や物体検出など,様々なコンピュータビジョンタスクにおける最先端の手法よりも優れていた。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Unified Frequency-Assisted Transformer Framework for Detecting and Grounding Multi-Modal Manipulation [109.1912721224697]
  本稿では、DGM4問題に対処するため、UFAFormerという名前のUnified Frequency-Assisted TransFormerフレームワークを提案する。 離散ウェーブレット変換を利用して、画像を複数の周波数サブバンドに分解し、リッチな顔偽造品をキャプチャする。 提案する周波数エンコーダは、帯域内およびバンド間自己アテンションを組み込んだもので、多種多様なサブバンド内および多種多様なフォージェリー特徴を明示的に集約する。
  論文  参考訳（メタデータ） (2023-09-18T11:06:42Z)
• FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation [17.150527504559594]
  フーリエ適応正規化(FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netを提案する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-23T06:58:21Z)
• Efficient Frequency Domain-based Transformers for High-Quality Image Deblurring [39.720032882926176]
  本稿では,高画質画像の周波数領域におけるトランスフォーマーの特性を効果的かつ効率的に探索する手法を提案する。 我々は提案したFSASとDFFNをエンコーダとデコーダアーキテクチャに基づく非対称ネットワークに定式化する。
  論文  参考訳（メタデータ） (2022-11-22T13:08:03Z)
• Feather-Light Fourier Domain Adaptation in Magnetic Resonance Imaging [2.024988885579277]
  ディープラーニングモデルの一般化性は、列車(ソースドメイン)とテスト(ターゲットドメイン)セットの分布の違いによって大きく影響を受ける可能性がある。 テスト時間領域適応を実現するための,極めて軽量かつ透明なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-31T17:28:42Z)
• Few-shot One-class Domain Adaptation Based on Frequency for Iris Presentation Attack Detection [33.41823375502942]
  アイリス提示攻撃検知(PAD)はアイリス認識システムの信頼性と安全性を確保するために大きな成功を収めた。 既存の手法のほとんどは、空間領域における識別的特徴を利用して、データセット内設定下での優れた性能を報告している。 Few-shot One-class Domain Adaptation (FODA) と呼ばれる新しいドメイン適応方式を提案する。
  論文  参考訳（メタデータ） (2022-04-01T11:55:06Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)

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。