論文の概要: TripleE: Easy Domain Generalization via Episodic Replay

• arxiv url: http://arxiv.org/abs/2210.01807v1
• Date: Tue, 4 Oct 2022 14:21:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 13:08:40.417243
• Title: TripleE: Easy Domain Generalization via Episodic Replay
• Title（参考訳）: triplee:エピソディックリプレイによる容易なドメイン一般化
• Authors: Xiaomeng Li, Hongyu Ren, Huifeng Yao, Ziwei Liu
• Abstract要約: TripleEは、サブセットのトレーニングに集中し、サブセットの学習においてデータ空間を拡大することを推奨する。 TripleEと呼ばれる私たちのモデルは、単純な拡張とアンサンブルに基づいて、非常に簡単です。
• 参考スコア（独自算出の注目度）: 45.61028027931956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning how to generalize the model to unseen domains is an important area of research. In this paper, we propose TripleE, and the main idea is to encourage the network to focus on training on subsets (learning with replay) and enlarge the data space in learning on subsets. Learning with replay contains two core designs, EReplayB and EReplayD, which conduct the replay schema on batch and dataset, respectively. Through this, the network can focus on learning with subsets instead of visiting the global set at a glance, enlarging the model diversity in ensembling. To enlarge the data space in learning on subsets, we verify that an exhaustive and singular augmentation (ESAug) performs surprisingly well on expanding the data space in subsets during replays. Our model dubbed TripleE is frustratingly easy, based on simple augmentation and ensembling. Without bells and whistles, our TripleE method surpasses prior arts on six domain generalization benchmarks, showing that this approach could serve as a stepping stone for future research in domain generalization.
• Abstract（参考訳）: モデルを未発見の領域に一般化する方法を学ぶことは重要な研究分野である。 本稿では,TripleEを提案するとともに,ネットワークがサブセットのトレーニング(リプレイによる学習)に集中し,サブセットの学習においてデータ空間を拡大することが主な目的である。 replayを使った学習には、バッチとデータセットでそれぞれリプレイスキーマを実行するereplaybとereplaydの2つのコア設計が含まれている。 これにより、ネットワークは、一目でグローバルセットを訪れるのではなく、サブセットで学ぶことに集中でき、アンサンブルにおけるモデルの多様性を拡大できる。 サブセットを学習する際のデータ空間を拡大するため,リプレイ中のデータ空間の拡大において,徹底的かつ特異な拡張(ESAug)が驚くほど有効であることを確認した。 TripleEと呼ばれる私たちのモデルは、単純な拡張とアンサンブルに基づいて、非常に簡単です。 ベルとホイッスルがなければ、TripleE法は6つの領域一般化ベンチマークの先行技術を超え、この手法が将来の領域一般化研究の足掛かりとなることを示している。

関連論文リスト

• Generalized Few-Shot Semantic Segmentation in Remote Sensing: Challenge and Benchmark [18.636210870172675]
  ほとんどショットのセマンティックセグメンテーションは、訓練中に見られない新しいクラスのラベル付き例から学ぶことをディープラーニングモデルに促す。 一般化された数ショットセグメンテーション設定では、モデルが新しいクラスに適応するだけでなく、トレーニングベースクラスで強力なパフォーマンスを維持することを奨励する追加の課題がある。 一般化された数ショット評価設定のためにラベル付けされた追加クラスを備えたOpenEarthMapの拡張データセットをリリースする。
  論文  参考訳（メタデータ） (2024-09-17T14:20:47Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Reusable Architecture Growth for Continual Stereo Matching [92.36221737921274]
  我々は、教師付きおよび自己監督型の両方で、新しいシーンを継続的に学習するための、再利用可能なアーキテクチャ成長(RAG)フレームワークを紹介します。 RAGは、前のユニットを再利用し、良好な性能を得ることにより、成長中の高い再利用性を維持することができる。 また、推論時にシーン固有のアーキテクチャパスを適応的に選択するScene Routerモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-30T13:24:58Z)
• Just Add $100 More: Augmenting NeRF-based Pseudo-LiDAR Point Cloud for Resolving Class-imbalance Problem [12.26293873825084]
  本稿では,小クラスのミニチュアや現実世界のオブジェクトのサラウンドビューをキャプチャしたビデオから生成された擬似LiDAR点雲を活用することを提案する。 Pseudo Ground Truth Aug (PGT-Aug) と呼ばれるこの手法は, (i) 2D-to-3Dビュー合成モデルを用いたボリューム3Dインスタンス再構成, (ii)LiDAR強度推定によるオブジェクトレベルドメインアライメント, (iii) 地上情報と地図情報からのコンテキスト認識配置のハイブリッド化という3つのステップから構成される。
  論文  参考訳（メタデータ） (2024-03-18T08:50:04Z)
• A streamlined Approach to Multimodal Few-Shot Class Incremental Learning for Fine-Grained Datasets [23.005760505169803]
  FSCIL(Few-shot Class-Incremental Learning)は、限られた新しいデータストリームから学習しながら、事前の知識を維持するという課題を提起する。 本稿では,セッション間の画像テキスト埋め込みの分離性を向上するSSP(Session-Specific Prompts)を提案する。 第2のハイパーボリック距離は、同じクラス内の画像とテキストのペアの表現を圧縮し、異なるクラスから拡張し、より良い表現をもたらす。
  論文  参考訳（メタデータ） (2024-03-10T19:50:03Z)
• Retrieval-Enhanced Visual Prompt Learning for Few-shot Classification [9.843214426749764]
  本稿では,下流タスクの知識をキャッシュし再利用するための検索強化ビジュアルプロンプト学習(RePrompt)を提案する。 推測中、我々の拡張モデルは、より正確な予測を行うために、検索によってもたらされた類似のサンプルを参照することができる。 RePromptは、幅広いビジョンデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-06-04T03:06:37Z)
• Learning General World Models in a Handful of Reward-Free Deployments [53.06205037827802]
  汎用エージェントの構築は、深層強化学習(RL)における大きな課題である 本稿では,新しい環境下での自己監督型探査手法であるCASCADEについて紹介する。 我々は,CASCADEが多様なタスク非依存のデータセットを収集し,ゼロショットから新規で目に見えない下流タスクへのエージェント学習を行うことを示す。
  論文  参考訳（メタデータ） (2022-10-23T12:38:03Z)
• Model-Free Generative Replay for Lifelong Reinforcement Learning: Application to Starcraft-2 [5.239932780277599]
  生成的リプレイ(GR)は、生物学的にインスパイアされたリプレイ機構であり、自己ラベルの例で学習経験を増強する。 本稿では,2つのデシラタを満たすLRL用GRのバージョンを提案する。 (a) 深層RLを用いて学習したポリシーの潜在表現の内観的密度モデリング, (b) モデルなしのエンドツーエンド学習である。
  論文  参考訳（メタデータ） (2022-08-09T22:00:28Z)
• PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding [107.02479689909164]
  本研究では,3次元表現学習の研究を支援することを目的とする。 教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
  論文  参考訳（メタデータ） (2020-07-21T17:59:22Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。