論文の概要: Domain Generalization with Correlated Style Uncertainty
- arxiv url: http://arxiv.org/abs/2212.09950v3
- Date: Mon, 28 Aug 2023 15:09:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 01:04:03.521284
- 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: スタイル拡張は、インスタンス固有の特徴統計を利用する強力なDG手法である。
我々はCSU(Correlated Style Uncertainty)を導入し、スタイル統計空間における線形一般化の限界を超越した。
本手法の有効性は,多様なクロスドメインコンピュータビジョンと医用画像分類タスクの広範な実験を通じて確立される。
- 参考スコア(独自算出の注目度): 4.844240089234632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization (DG) approaches intend to extract domain invariant
features that can lead to a more robust deep learning model. In this regard,
style augmentation is a strong DG method taking advantage of instance-specific
feature statistics containing informative style characteristics to synthetic
novel domains. While it is one of the state-of-the-art methods, prior works on
style augmentation have either disregarded the interdependence amongst distinct
feature channels or have solely constrained style augmentation to linear
interpolation. To address these research gaps, in this work, we introduce a
novel augmentation approach, named Correlated Style Uncertainty (CSU),
surpassing the limitations of linear interpolation in style statistic space and
simultaneously preserving vital correlation information. Our method's efficacy
is established through extensive experimentation on diverse cross-domain
computer vision and medical imaging classification tasks: PACS, Office-Home,
and Camelyon17 datasets, and the Duke-Market1501 instance retrieval task. The
results showcase a remarkable improvement margin over existing state-of-the-art
techniques. The source code is available https://github.com/freshman97/CSU.
- Abstract(参考訳): ドメイン一般化(dg)アプローチは、より堅牢なディープラーニングモデルにつながるドメイン不変機能を抽出することを目的としている。
この点において、スタイル拡張は、合成新規ドメインに対する情報的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強力なDG手法である。
これは最先端の手法の1つであるが、スタイル拡張に関する以前の研究は、異なる特徴チャネル間の相互依存を無視するか、単に線形補間に対するスタイル拡張を制限している。
これらの研究のギャップに対処するために,本稿では,スタイル統計空間における線形補間の限界を超越した相関型不確実性(csu)と呼ばれる新しい拡張手法を導入し,バイタル相関情報を同時に保存する。
本手法の有効性は,pacs,office-home,camlyon17データセット,duke-market1501インスタンス検索タスクなど,多種多様なクロスドメインコンピュータビジョンおよび医用画像分類タスクに関する広範な実験によって確立される。
その結果,既存の最先端技術に比べて著しく改善率が向上した。
ソースコードはhttps://github.com/freshman97/csu。
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。