論文の概要: Domain Generalization Emerges from Dreaming

• arxiv url: http://arxiv.org/abs/2302.00980v1
• Date: Thu, 2 Feb 2023 09:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 14:40:33.353480
• Title: Domain Generalization Emerges from Dreaming
• Title（参考訳）: 夢見るドメインの一般化
• Authors: Hwan Heo, Youngjin Oh, Jaewon Lee, Hyunwoo J. Kim
• Abstract要約: 我々は,Stylized Dreamと呼ばれる新しい最適化に基づくデータ拡張により,モデルのテクスチャバイアスを低減する新しいフレームワークを提案する。 我々のフレームワークは、適応インスタンス正規化(AdaIN)を利用して、オリジナル画像のスタイルを増強し、コンテンツを保存する。 次に、Stylized Dreamとオリジナル画像との一貫性のある出力を予測するために正規化損失を採用し、モデルが形状に基づく表現を学習することを奨励する。
• 参考スコア（独自算出の注目度）: 10.066261691282016
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent studies have proven that DNNs, unlike human vision, tend to exploit texture information rather than shape. Such texture bias is one of the factors for the poor generalization performance of DNNs. We observe that the texture bias negatively affects not only in-domain generalization but also out-of-distribution generalization, i.e., Domain Generalization. Motivated by the observation, we propose a new framework to reduce the texture bias of a model by a novel optimization-based data augmentation, dubbed Stylized Dream. Our framework utilizes adaptive instance normalization (AdaIN) to augment the style of an original image yet preserve the content. We then adopt a regularization loss to predict consistent outputs between Stylized Dream and original images, which encourages the model to learn shape-based representations. Extensive experiments show that the proposed method achieves state-of-the-art performance in out-of-distribution settings on public benchmark datasets: PACS, VLCS, OfficeHome, TerraIncognita, and DomainNet.
• Abstract（参考訳）: 最近の研究では、人間の視覚とは異なり、DNNは形ではなくテクスチャ情報を利用する傾向があることが証明されている。 このようなテクスチャバイアスは、DNNの一般化性能が劣る要因の1つである。 テクスチャバイアスがドメイン内一般化だけでなく、分散外一般化、すなわちドメイン一般化にも悪影響を及ぼすことを観察する。 そこで本研究では,Stylized Dreamと呼ばれる新しい最適化に基づくデータ拡張により,モデルのテクスチャバイアスを低減する新しいフレームワークを提案する。 本フレームワークは,アダプティブ・インスタンス正規化(adain)を利用してオリジナル画像のスタイルを拡張し,コンテンツを保存する。 次に,スタイライゼーションドリームとオリジナル画像の一貫した出力を予測するために正規化損失を適用し,モデルが形状に基づく表現を学ぶように促す。 大規模な実験の結果,提案手法はPACS, VLCS, OfficeHome, TerraIncognita, DomainNetといった,公開ベンチマークデータセット上でのアウト・オブ・ディストリビューション・セッティングにおいて,最先端のパフォーマンスを実現することがわかった。

関連論文リスト

• TIDE: Training Locally Interpretable Domain Generalization Models Enables Test-time Correction [14.396966854171273]
  単一ソース領域の一般化の問題を考える。 既存の手法は通常、訓練中に様々な領域を合成的にカバーする広範囲な拡張に依存している。 予測において,そのような局所的な概念を活用するためにモデルを補完する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-25T08:46:37Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• CNN Feature Map Augmentation for Single-Source Domain Generalization [6.053629733936548]
  ドメイン・ジェネリゼーション(DG)はここ数年で大きな注目を集めている。 DGの目標は、トレーニング中に利用可能なものと異なるデータ分散を提示した場合、引き続き正常に機能するモデルを作成することだ。 単一ソースDG画像分類設定における畳み込みニューラルネットワークアーキテクチャの代替正則化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-26T08:48:17Z)
• Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
  本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。 偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-01-31T20:09:33Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Frustratingly Simple Domain Generalization via Image Stylization [27.239024949033496]
  畳み込みニューラルネットワーク(CNN)は,標準分類設定において優れた性能を示す。 CNNは、異なる統計を持つ新しいドメインに容易に一般化しない。 我々は、非常に単純で効果的な手法、すなわち、このバイアスを、スタイリングされた画像でデータセットを増強することで補正することを示した。
  論文  参考訳（メタデータ） (2020-06-19T16:20:40Z)
• Generalizable Model-agnostic Semantic Segmentation via Target-specific Normalization [24.14272032117714]
  一般化可能なセマンティックセグメンテーションタスクのための新しいドメイン一般化フレームワークを提案する。 モデルに依存しない学習を利用してドメインシフト問題をシミュレートする。 観測対象領域と観測対象領域間のデータ分散の相違を考慮し、目標固有正規化方式を開発する。
  論文  参考訳（メタデータ） (2020-03-27T09:25:19Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。