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

• Domain Expansion and Boundary Growth for Open-Set Single-Source Domain Generalization [70.02187124865627]
  オープンソースの単一ソースドメインの一般化は、単一のソースドメインを使用して、未知のターゲットドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 本稿では,領域拡大と境界成長に基づく新しい学習手法を提案する。 提案手法は,いくつかの領域横断画像分類データセットにおいて,大幅な改善と最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-11-05T09:08:46Z)
• Diverse Intra- and Inter-Domain Activity Style Fusion for Cross-Person Generalization in Activity Recognition [8.850516669999292]
  既存の領域一般化手法は、ドメイン内およびドメイン間スタイルの多様性を捉える際にしばしば困難に直面する。 本稿では,ドメインの多様性を高めるために,ドメインパディングとして概念化されたプロセスを提案する。 データ生成の多様性を高めるために,スタイル融合サンプリング戦略を導入する。 本手法は, 人間の活動認識タスクにおいて, 最先端のDG手法より優れる。
  論文  参考訳（メタデータ） (2024-06-07T03:37:30Z)
• Complex Style Image Transformations for Domain Generalization in Medical Images [6.635679521775917]
  ドメインの一般化技術は、単一のデータソースから未知のドメインにアプローチすることを目的としています。 本稿では,スタイル伝達と対角訓練を利用するCompStyleという新しいフレームワークを提案する。 前立腺データに対する意味的セグメンテーションと心臓データに対する汚濁堅牢性の実験結果を提供する。
  論文  参考訳（メタデータ） (2024-06-01T04:57:31Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• 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 [54.612933105967606]
  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)
• 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)
• 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。