論文の概要: Domain Generalization with Correlated Style Uncertainty
- arxiv url: http://arxiv.org/abs/2212.09950v1
- Date: Tue, 20 Dec 2022 01:59:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 16:26:14.758318
- Title: Domain Generalization with Correlated Style Uncertainty
- Title(参考訳): 相関型不確かさによるドメインの一般化
- Authors: Zheyuan Zhang, Bin Wang, Debesh Jha, Ugur Demir, Ulas Bagci
- Abstract要約: 我々は,スタイル統計空間の線形性を超えて,textitCorrelated Style Uncertainity (CSU) と呼ばれる新しい拡張手法を提案する。
提案手法の有効性を,複数のクロスドメイン分類タスクに対する広範な実験により検証する。
- 参考スコア(独自算出の注目度): 5.376343462169962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Though impressive success has been witnessed in computer vision, deep
learning still suffers from the domain shift challenge when the target domain
for testing and the source domain for training do not share an identical
distribution. To address this, domain generalization approaches intend to
extract domain invariant features that can lead to a more robust model. Hence,
increasing the source domain diversity is a key component of domain
generalization. Style augmentation takes advantage of instance-specific feature
statistics containing informative style characteristics to synthetic novel
domains. However, all previous works ignored the correlation between different
feature channels or only limited the style augmentation through linear
interpolation. In this work, we propose a novel augmentation method, called
\textit{Correlated Style Uncertainty (CSU)}, to go beyond the linear
interpolation of style statistic space while preserving the essential
correlation information. We validate our method's effectiveness by extensive
experiments on multiple cross-domain classification tasks, including widely
used PACS, Office-Home, Camelyon17 datasets and the Duke-Market1501 instance
retrieval task and obtained significant margin improvements over the
state-of-the-art methods. The source code is available for public use.
- Abstract(参考訳): コンピュータビジョンでは印象的な成功が見られたが、テスト対象のドメインとトレーニング対象のソースドメインが同じディストリビューションを共有していない場合、ディープラーニングは依然としてドメインシフトの課題に苦しめられている。
これに対処するため、ドメイン一般化のアプローチは、より堅牢なモデルにつながるドメイン不変な特徴を抽出することを目的としている。
したがって、ソースドメインの多様性の増大はドメインの一般化の重要な要素です。
スタイル拡張は、合成新規ドメインにインフォメーションスタイル特性を含むインスタンス固有の特徴統計を利用する。
しかし、以前の作品は全て異なる特徴チャネル間の相関を無視したり、線形補間によるスタイル拡張だけを制限したりした。
本研究は,本質的な相関情報を保持しつつ,スタイル統計空間の線形補間を超越した,新しい拡張手法である「textit{Correlated Style Uncertainity (CSU)」を提案する。
我々は,PACS,Office-Home,Camelyon17データセット,Duke-Market1501インスタンス検索タスクなど,多分野横断分類タスクの広範な実験により,本手法の有効性を検証し,最先端の手法よりも大幅に改善した。
ソースコードは一般公開されている。
関連論文リスト
- HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain
Generalization [69.33162366130887]
ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。
モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。
このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
論文 参考訳(メタデータ) (2024-01-18T04:23:21Z) - A Novel Cross-Perturbation for Single Domain Generalization [46.8767736833229]
単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。
トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。
トレーニングデータの多様性を高めるために,CPerbを提案する。
論文 参考訳(メタデータ) (2023-08-02T03:16:12Z) - 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) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - Adapting Segmentation Networks to New Domains by Disentangling Latent
Representations [14.050836886292869]
ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。
本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
論文 参考訳(メタデータ) (2021-08-06T09:43:07Z) - Feature-based Style Randomization for Domain Generalization [27.15070576861912]
ドメイン一般化(Domain Generalization、DG)は、まず複数のソースドメイン上のジェネリックモデルを学習し、その後、追加の適応なしに任意の未確認ターゲットドメインに直接一般化することを目的としている。
本稿では,機能レベルの拡張を実現するために,シンプルだが効果的な特徴ベーススタイルのランダム化モジュールを開発する。
既存の画像レベルの拡張と比較して、我々の特徴レベルの拡張は、よりゴール指向でサンプルの多様性のある方法を好む。
論文 参考訳(メタデータ) (2021-06-06T16:34:44Z) - Towards Domain-Agnostic Contrastive Learning [103.40783553846751]
そこで本研究では,DACLという対照的学習に対するドメインに依存しない新しいアプローチを提案する。
このアプローチの鍵となるのは、Mixupノイズを使用して、入力レベルと隠された状態レベルの両方で異なるデータサンプルを混合することで、類似した、異種なサンプルを作成することです。
以上の結果から,DACLはガウスノイズなどの他のドメインに依存しないノイズ発生手法よりも優れるだけでなく,SimCLRのようなドメイン固有の手法とうまく結合していることがわかった。
論文 参考訳(メタデータ) (2020-11-09T13:41:56Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z)
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。