論文の概要: Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization

• arxiv url: http://arxiv.org/abs/2210.07571v1
• Date: Fri, 14 Oct 2022 06:52:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 15:41:09.566345
• Title: Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization
• Title（参考訳）: mix and reason: ドメイン一般化のためのデータ混合による意味的トポロジーの推論
• Authors: Chaoqi Chen, Luyao Tang, Feng Liu, Gangming Zhao, Yue Huang, Yizhou Yu
• Abstract要約: ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。 mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。 複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
• 参考スコア（独自算出の注目度）: 48.90173060487124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG) enables generalizing a learning machine from multiple seen source domains to an unseen target one. The general objective of DG methods is to learn semantic representations that are independent of domain labels, which is theoretically sound but empirically challenged due to the complex mixture of common and domain-specific factors. Although disentangling the representations into two disjoint parts has been gaining momentum in DG, the strong presumption over the data limits its efficacy in many real-world scenarios. In this paper, we propose Mix and Reason (\mire), a new DG framework that learns semantic representations via enforcing the structural invariance of semantic topology. \mire\ consists of two key components, namely, Category-aware Data Mixing (CDM) and Adaptive Semantic Topology Refinement (ASTR). CDM mixes two images from different domains in virtue of activation maps generated by two complementary classification losses, making the classifier focus on the representations of semantic objects. ASTR introduces relation graphs to represent semantic topology, which is progressively refined via the interactions between local feature aggregation and global cross-domain relational reasoning. Experiments on multiple DG benchmarks validate the effectiveness and robustness of the proposed \mire.
• Abstract（参考訳）: ドメイン一般化(DG)は、学習マシンを複数のソースドメインから見えないターゲットドメインに一般化することを可能にする。 dg法の一般的な目的は、ドメインラベルとは独立した意味表現を学習することであり、理論的には健全であるが、共通要素とドメイン固有の要素の複雑な混合のために経験的に挑戦される。 dgでは、2つの非結合部分への表現の分離が勢いを増しているが、データに対する強い仮定は、多くの現実世界のシナリオでその効果を制限する。 本稿では,意味的トポロジの構造的不変性によって意味表現を学習する新しいDGフレームワークであるMix and Reason(\mire)を提案する。 ASTR(Adaptive Semantic Topology Refinement)とCDM(Calegory-Aware Data Mixing)の2つの重要なコンポーネントで構成されている。 CDMは2つの相補的な分類損失によって生成されるアクティベーションマップにより、異なる領域からの2つのイメージを混合し、セマンティックオブジェクトの表現に焦点を当てる。 ASTRは意味的トポロジーを表現するために関係グラフを導入し、局所的な特徴集約とグローバルなドメイン間関係推論の相互作用を通じて徐々に洗練される。 複数のdgベンチマーク実験により,提案手法の有効性とロバスト性が検証された。

関連論文リスト

• SRCD: Semantic Reasoning with Compound Domains for Single-Domain Generalized Object Detection [39.14676152740142]
  単一DGODのためのSRCD(Semantic Reasoning with Compound Domains)を提案する。 我々のSRCDには、テクスチャベースの自己拡張(TBSA)モジュールと、局所言語意味推論(LGSR)モジュールの2つの主要コンポーネントが含まれています。 複数のベンチマークで大規模な実験を行い、提案したSRCDの有効性を示した。
  論文  参考訳（メタデータ） (2023-07-04T14:39:59Z)
• Hierarchical Instance Mixing across Domains in Aerial Segmentation [14.738954189759156]
  階層型インスタンス混合(HIMix)と呼ばれるドメイン間の空域分割のための新しい戦略を開発する。 LoveDAベンチマークで広範な実験を行い、私たちのソリューションは現在の最先端よりも優れています。
  論文  参考訳（メタデータ） (2022-10-12T14:02:20Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• 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)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• 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)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。