論文の概要: Adaptive Texture Filtering for Single-Domain Generalized Segmentation

• arxiv url: http://arxiv.org/abs/2303.02943v1
• Date: Mon, 6 Mar 2023 07:30:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 16:52:08.082960
• Title: Adaptive Texture Filtering for Single-Domain Generalized Segmentation
• Title（参考訳）: 単一領域一般化セグメンテーションのための適応テクスチャフィルタ
• Authors: Xinhui Li, Mingjia Li, Yaxing Wang, Chuan-Xian Ren, Xiaojie Guo
• Abstract要約: ドメインの一般化は、ドメイン不変の機能を学ぶことによって、目に見えないドメインのパフォーマンス劣化を軽減することを目的としている。 そこで本稿では, 拡張を使わずにテクスチャの影響を抑えるための新しい適応型テクスチャフィルタリング機構を提案する。
• 参考スコア（独自算出の注目度）: 25.731422118708487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization in semantic segmentation aims to alleviate the performance degradation on unseen domains through learning domain-invariant features. Existing methods diversify images in the source domain by adding complex or even abnormal textures to reduce the sensitivity to domain specific features. However, these approaches depend heavily on the richness of the texture bank, and training them can be time-consuming. In contrast to importing textures arbitrarily or augmenting styles randomly, we focus on the single source domain itself to achieve generalization. In this paper, we present a novel adaptive texture filtering mechanism to suppress the influence of texture without using augmentation, thus eliminating the interference of domain-specific features. Further, we design a hierarchical guidance generalization network equipped with structure-guided enhancement modules, which purpose is to learn the domain-invariant generalized knowledge. Extensive experiments together with ablation studies on widely-used datasets are conducted to verify the effectiveness of the proposed model, and reveal its superiority over other state-of-the-art alternatives.
• Abstract（参考訳）: セマンティクスセグメンテーションにおけるドメインの一般化は、ドメイン不変特徴の学習を通じて、未知のドメインのパフォーマンス低下を緩和することを目的としている。 既存の手法では、複雑なテクスチャや異常なテクスチャを追加することで、ソースドメイン内の画像を多様化し、ドメイン固有の特徴に対する感度を低下させる。 しかし、これらのアプローチはテクスチャバンクの豊かさに大きく依存しており、トレーニングには時間がかかる可能性がある。 テクスチャを任意にインポートしたり、スタイルをランダムに拡張したりするのとは対照的に、私たちは一般化を達成するために単一のソースドメイン自体に焦点を合わせます。 本稿では,拡張を使わずにテクスチャの影響を抑えるための新しい適応型テクスチャフィルタリング機構を提案する。 さらに,構造誘導型拡張モジュールを備えた階層的誘導一般化ネットワークの設計を行い,その目的はドメイン不変な一般化知識の学習である。 広く使われているデータセットに関するアブレーション実験とともに、提案モデルの有効性を検証するとともに、他の最先端の代替案よりもその優越性を明らかにする。

関連論文リスト

• Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
  ドメイン不変表現学習は、ドメイン一般化の強力な方法である。 従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。 本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-22T12:06:24Z)
• 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)
• 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)
• Selective Domain-Invariant Feature for Generalizable Deepfake Detection [21.671221284842847]
  本稿では,コンテンツの特徴やスタイルを融合させることにより,顔の偽造に対する感受性を低下させる新しいフレームワークを提案する。 既存のベンチマークと提案における質的および定量的な結果の両方が、我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2024-03-19T13:09:19Z)
• Domain Generalization by Learning and Removing Domain-specific Features [15.061481139046952]
  ドメインの一般化は、目に見えないドメインに一般化できるモデルを学ぶことでこの問題に対処することを目的としている。 ドメインの一般化のために、ドメイン固有の機能を明示的に削除することを目的とした、新しいアプローチを提案する。 学習領域固有の特徴を除去した新しい画像空間に各入力画像をマッピングするエンコーダデコーダネットワークを開発した。
  論文  参考訳（メタデータ） (2022-12-14T08:46:46Z)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:31:24Z)
• 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)
• Feature Stylization and Domain-aware Contrastive Learning for Domain Generalization [10.027279853737511]
  ドメインの一般化は、ターゲットドメインにアクセスすることなく、ドメインシフトに対するモデルを強化することを目的としている。 本稿では,特徴統計を利用して特徴を新しいドメイン特性に分類する新しいフレームワークを提案する。 提案したドメイン認識による教師付きコントラスト損失との特徴的整合性を実現する。
  論文  参考訳（メタデータ） (2021-08-19T10:04:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。