論文の概要: Modality-Agnostic Debiasing for Single Domain Generalization

• arxiv url: http://arxiv.org/abs/2303.07123v1
• Date: Mon, 13 Mar 2023 13:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 14:52:30.973557
• Title: Modality-Agnostic Debiasing for Single Domain Generalization
• Title（参考訳）: 単一領域一般化のためのモダリティ非依存デバイアス
• Authors: Sanqing Qu, Yingwei Pan, Guang Chen, Ting Yao, Changjun Jiang, Tao Mei
• Abstract要約: 単一DGのための多目的モダリティ・アグノスティック・デバイアス(MAD)フレームワークを提案する。 その結果,MADはDSUを2.82%改善し,精度とmIOUは1.5%向上した。 さらに驚くべきことに、3Dポイントの雲の認識と2D画像のセマンティックセグメンテーションのために、MADはDSUを1.5%精度とmIOUで改善する。
• 参考スコア（独自算出の注目度）: 105.60451710436735
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep neural networks (DNNs) usually fail to generalize well to outside of distribution (OOD) data, especially in the extreme case of single domain generalization (single-DG) that transfers DNNs from single domain to multiple unseen domains. Existing single-DG techniques commonly devise various data-augmentation algorithms, and remould the multi-source domain generalization methodology to learn domain-generalized (semantic) features. Nevertheless, these methods are typically modality-specific, thereby being only applicable to one single modality (e.g., image). In contrast, we target a versatile Modality-Agnostic Debiasing (MAD) framework for single-DG, that enables generalization for different modalities. Technically, MAD introduces a novel two-branch classifier: a biased-branch encourages the classifier to identify the domain-specific (superficial) features, and a general-branch captures domain-generalized features based on the knowledge from biased-branch. Our MAD is appealing in view that it is pluggable to most single-DG models. We validate the superiority of our MAD in a variety of single-DG scenarios with different modalities, including recognition on 1D texts, 2D images, 3D point clouds, and semantic segmentation on 2D images. More remarkably, for recognition on 3D point clouds and semantic segmentation on 2D images, MAD improves DSU by 2.82\% and 1.5\% in accuracy and mIOU.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は通常、DNNを単一ドメインから複数の未確認ドメインに転送する単一ドメイン一般化(単一DG)の極端な場合において、OODデータの外部への一般化に失敗する。 既存のシングルDG技術は、様々なデータ拡張アルゴリズムを考案し、ドメイン一般化(セマンティック)機能を学ぶために、マルチソースのドメイン一般化方法論を再検討する。 しかしながら、これらの方法は典型的にはモダリティ特異的であり、1つのモダリティ(例えば画像)のみに適用できる。 対照的に、我々は単一DGのための多機能なModality-Agnostic Debiasing (MAD) フレームワークをターゲットにしており、異なるモダリティの一般化を可能にしている。 バイアスドブランチは、ドメイン固有の(表層的な)特徴を特定するように分類器を奨励し、一般ブランチはバイアスドブランチからの知識に基づいてドメイン一般化された特徴をキャプチャする。 私たちのMADは、ほとんどのシングルDGモデルにプラグイン可能であるという点で魅力的です。 1Dテキストの認識,2D画像の認識,3Dポイントクラウドの認識,2D画像のセマンティックセマンティックセマンティックセグメンテーションなど,さまざまなモードの単一DGシナリオにおけるMADの優位性を検証する。 さらに驚くべきことに、2D画像上の3Dポイントクラウドの認識とセマンティックセグメンテーションのために、MADはDSUを2.82\%、1.5\%の精度で改善している。

関連論文リスト

• Uncertainty-guided Contrastive Learning for Single Source Domain Generalisation [15.907643838530655]
  本稿では,Contrastive Uncertainty Domain Generalisation Network(CUDGNet)と呼ばれる新しいモデルを紹介する。 鍵となるアイデアは、架空のドメインジェネレータを通じて、入力空間とラベル空間の両方のソース容量を増大させることである。 また,提案手法は,1つのフォワードパスからジェネレータサブネットワークを経由した推論時間における効率的な不確実性推定も提供する。
  論文  参考訳（メタデータ） (2024-03-12T10:47:45Z)
• SUG: Single-dataset Unified Generalization for 3D Point Cloud Classification [44.27324696068285]
  トレーニング済みのソースモデルが直面する予期せぬ領域差を軽減するために,単一データセット統一一般化(SUG)フレームワークを提案する。 具体的には、まず、学習した表現をドメインに依存しない識別性に制約できるマルチグラニュアルサブドメインアライメント(MSA)法を設計する。 次にSDA(Sample-level Domain-Aware Attention)戦略を示し、異なるサブドメインから簡単に適応できるサンプルを選択的に強化する。
  論文  参考訳（メタデータ） (2023-05-16T04:36:04Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Learning to Diversify for Single Domain Generalization [46.35670520201863]
  ドメイン一般化(DG)は、複数のソース(トレーニング)ドメインで訓練されたモデルを、分散的に異なるターゲット(テスト)ドメインに一般化することを目的としている。 本稿では、より現実的で困難なシナリオ、すなわちSingle-DG(Single-DG)について考察する。 このシナリオでは、限られた多様性は、目に見えないターゲット領域上のモデル一般化を危険にさらす可能性がある。 そこで本研究では,ソースコードに相補的な多種多様な分布の画像を合成することにより,モデルの一般化能力を高めるためのスタイル補完モジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-26T12:04:32Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)

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。