Fugu-MT 論文翻訳(概要): Meta Style Adversarial Training for Cross-Domain Few-Shot Learning

論文の概要: Meta Style Adversarial Training for Cross-Domain Few-Shot Learning

arxiv url: http://arxiv.org/abs/2302.09309v1
Date: Sat, 18 Feb 2023 11:54:37 GMT
ステータス: 処理完了
システム内更新日: 2023-02-21 19:23:36.500247
Title: Meta Style Adversarial Training for Cross-Domain Few-Shot Learning
Title（参考訳）: クロスドメインFew-Shot学習のためのメタスタイル逆学習
Authors: Yuqian Fu, Yu Xie, Yanwei Fu, Yu-Gang Jiang
Abstract要約: Cross-Domain Few-Shot Learning (CD-FSL)は、最近登場したタスクで、異なるドメインにわたる数ショットの学習に対処している。本稿では,新しいモデルに依存しないメタスタイル逆アタック(StyleAdv)手法と,新しいスタイル逆アタック手法を提案する。スタイルを継続的に攻撃し、これらの難易度の高いスタイルをモデルに認識させることで、我々のモデルは徐々に視覚的スタイルに頑健になり、新しいターゲットデータセットの一般化能力を高める。
参考スコア（独自算出の注目度）: 89.86971464234533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cross-Domain Few-Shot Learning (CD-FSL) is a recently emerging task that tackles few-shot learning across different domains. It aims at transferring prior knowledge learned on the source dataset to novel target datasets. The CD-FSL task is especially challenged by the huge domain gap between different datasets. Critically, such a domain gap actually comes from the changes of visual styles, and wave-SAN empirically shows that spanning the style distribution of the source data helps alleviate this issue. However, wave-SAN simply swaps styles of two images. Such a vanilla operation makes the generated styles ``real'' and ``easy'', which still fall into the original set of the source styles. Thus, inspired by vanilla adversarial learning, a novel model-agnostic meta Style Adversarial training (StyleAdv) method together with a novel style adversarial attack method is proposed for CD-FSL. Particularly, our style attack method synthesizes both ``virtual'' and ``hard'' adversarial styles for model training. This is achieved by perturbing the original style with the signed style gradients. By continually attacking styles and forcing the model to recognize these challenging adversarial styles, our model is gradually robust to the visual styles, thus boosting the generalization ability for novel target datasets. Besides the typical CNN-based backbone, we also employ our StyleAdv method on large-scale pretrained vision transformer. Extensive experiments conducted on eight various target datasets show the effectiveness of our method. Whether built upon ResNet or ViT, we achieve the new state of the art for CD-FSL. Codes and models will be released.
Abstract（参考訳）: Cross-Domain Few-Shot Learning (CD-FSL)は、最近登場したタスクであり、異なるドメインにわたる数ショットの学習に取り組む。ソースデータセットで学んだ事前知識を新しいターゲットデータセットに転送することを目的としている。 CD-FSLタスクは、異なるデータセット間の大きなドメインギャップによって特に困難である。批判的に言えば、このようなドメインギャップは実際には視覚的なスタイルの変化によるもので、Wave-SANは、ソースデータのスタイル分布を分散させることによってこの問題を軽減することを実証的に示します。しかし、Wave-SANは単純に2つの画像のスタイルを交換する。このようなバニラ操作により、生成されたスタイル ``real'' と ``easy'' は、まだソーススタイルの最初のセットに収まる。そこで,CD-FSLでは,新しいモデルに依存しないメタスタイル逆行訓練(StyleAdv)法と,新しいスタイル逆行攻撃法が提案されている。特に,本手法は,モデル学習のための「仮想」と「ハード」の両逆スタイルを合成する。これは、署名されたスタイル勾配でオリジナルのスタイルを乱すことによって達成される。継続的にスタイルを攻撃し、これらの困難な敵対的スタイルを認識することによって、我々のモデルは徐々にビジュアルスタイルに強固になり、新しいターゲットデータセットの一般化能力を高めます。典型的なCNNベースのバックボーンの他に、大規模な事前学習型視覚変換器にもStyleAdv法を用いた。 8種類のターゲットデータセットを対象とした広範囲な実験を行い,本手法の有効性を示した。 ResNetでもViTでも、CD-FSLの新たな最先端を実現する。コードとモデルがリリースされます。

論文の概要: Meta Style Adversarial Training for Cross-Domain Few-Shot Learning

関連論文リスト