論文の概要: Multi-view Adversarial Discriminator: Mine the Non-causal Factors for Object Detection in Unseen Domains

• arxiv url: http://arxiv.org/abs/2304.02950v1
• Date: Thu, 6 Apr 2023 09:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 14:37:33.877607
• Title: Multi-view Adversarial Discriminator: Mine the Non-causal Factors for Object Detection in Unseen Domains
• Title（参考訳）: 多視点逆微分器:未知領域における物体検出のための非因果因子をマイニングする
• Authors: Mingjun Xu, Lingyun Qin, Weijie Chen, Shiliang Pu, Lei Zhang
• Abstract要約: 本稿では、ソースドメイン上での多視点対角訓練により、共通特徴から非因果因子を除去するアイデアを提案する。 マルチビュー逆微分器(MAD)に基づく領域一般化モデルを提案する。 我々のMADは6つのベンチマークで最先端のパフォーマンスを得る。
• 参考スコア（独自算出の注目度）: 36.4342793435982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain shift degrades the performance of object detection models in practical applications. To alleviate the influence of domain shift, plenty of previous work try to decouple and learn the domain-invariant (common) features from source domains via domain adversarial learning (DAL). However, inspired by causal mechanisms, we find that previous methods ignore the implicit insignificant non-causal factors hidden in the common features. This is mainly due to the single-view nature of DAL. In this work, we present an idea to remove non-causal factors from common features by multi-view adversarial training on source domains, because we observe that such insignificant non-causal factors may still be significant in other latent spaces (views) due to the multi-mode structure of data. To summarize, we propose a Multi-view Adversarial Discriminator (MAD) based domain generalization model, consisting of a Spurious Correlations Generator (SCG) that increases the diversity of source domain by random augmentation and a Multi-View Domain Classifier (MVDC) that maps features to multiple latent spaces, such that the non-causal factors are removed and the domain-invariant features are purified. Extensive experiments on six benchmarks show our MAD obtains state-of-the-art performance.
• Abstract（参考訳）: ドメインシフトは、実用的な応用におけるオブジェクト検出モデルの性能を低下させる。 ドメインシフトの影響を軽減するために、多くの以前の作業は、ドメイン敵学習(dal)を通じて、ソースドメインからドメイン不変(共通)機能を分離し、学習しようと試みている。 しかし,因果的メカニズムに触発されて,従来の手法では暗黙の非因果的要因を無視することが判明した。 これは主にDALの単一ビューの性質に起因する。 本稿では,ソース領域におけるマルチビュー・アドバーサリー・トレーニングによる共通特徴から非因果的要因を取り除き,その非因果的要因がデータ多モード構造による他の潜在空間(ビュー)においても有意である可能性があることを考察する。 要約すると、ランダムな拡張によりソースドメインの多様性を増大させるSpurious correlations Generator (SCG) と、非因果因子を除去しドメイン不変性を浄化する複数の潜在空間に特徴をマップするMulti-View Domain Classifier (MVDC) から構成される、マルチビュー逆微分器(MAD)ベースのドメイン一般化モデルを提案する。 6つのベンチマークでの大規模な実験は、MADが最先端のパフォーマンスを得ることを示している。

関連論文リスト

• Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery [8.3316355693186]
  本稿では,異なるHRSIsドメインとそれらの意味ラベル間の不変因果機構を探索するプロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。 ソースとターゲットのドメインイメージから因果的特徴とバイアス的特徴を、因果的特徴のアンタングルメントモジュールを通じて切り離す。 さらに因果的・偏見的特徴を非相関化するために、因果的介入モジュールを導入してバイアス的特徴に介入し、反事実的非偏見的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-03-06T13:39:18Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Multi-Domain Causal Representation Learning via Weak Distributional Invariances [27.72497122405241]
  因果表現学習は因果機械学習研究における行動の中心として現れてきた。 このような不変性を組み込んだオートエンコーダは、他の部分から異なる設定で安定なラテントの集合を確実に特定できることを示す。
  論文  参考訳（メタデータ） (2023-10-04T14:41:41Z)
• Rethinking Domain Generalization for Face Anti-spoofing: Separability and Alignment [35.67771212285966]
  本研究は,画像の解像度,ぼやけ度,センサの変動といった領域ギャップに対する対面アンチ・スプーフィング(FAS)モデルの一般化問題について検討する。 我々は、不変リスク最小化(IRM)の問題として、分離性と整合性(SA-FAS)のこのFAS戦略を定式化する。 ドメイン間FASデータセットに対するSA-FASの有効性を実証し、最先端の性能を確立する。
  論文  参考訳（メタデータ） (2023-03-23T20:34:27Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Contrastive ACE: Domain Generalization Through Alignment of Causal Mechanisms [34.99779761100095]
  ドメインの一般化は、異なる分布にまたがる知識不変性を学ぶことを目的としている。 ラベルに対する特徴の因果効果の平均的因果効果の因果不変性を考察する。
  論文  参考訳（メタデータ） (2021-06-02T04:01:22Z)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。