論文の概要: Semantic-Aware Mixup for Domain Generalization
- arxiv url: http://arxiv.org/abs/2304.05675v1
- Date: Wed, 12 Apr 2023 07:49:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 15:49:59.612086
- Title: Semantic-Aware Mixup for Domain Generalization
- Title（参考訳）: ドメイン一般化のためのセマンティック・アウェア・ミックスアップ
- Authors: Chengchao Xu and Xinmei Tian
- Abstract要約: ドメイン一般化(DG)を実現する最も有望なアプローチの1つは、未知のターゲットデータをカバーするために、ミックスアップ(mixup)のような目に見えないデータを生成することである。
ドメイン一般化のためのセマンティック・アウェア・ミックスアップ(SAM)を提案する。
この知見に基づいてSAMは、フーリエ位相スペクトルと振幅情報に異なる混合戦略を適用する。
- 参考スコア（独自算出の注目度）: 16.23346475908786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs) have shown exciting performance in various tasks,
yet suffer generalization failures when meeting unknown target domains. One of
the most promising approaches to achieve domain generalization (DG) is
generating unseen data, e.g., mixup, to cover the unknown target data. However,
existing works overlook the challenges induced by the simultaneous appearance
of changes in both the semantic and distribution space. Accordingly, such a
challenge makes source distributions hard to fit for DNNs. To mitigate the
hard-fitting issue, we propose to perform a semantic-aware mixup (SAM) for
domain generalization, where whether to perform mixup depends on the semantic
and domain information. The feasibility of SAM shares the same spirits with the
Fourier-based mixup. Namely, the Fourier phase spectrum is expected to contain
semantics information (relating to labels), while the Fourier amplitude retains
other information (relating to style information). Built upon the insight, SAM
applies different mixup strategies to the Fourier phase spectrum and amplitude
information. For instance, SAM merely performs mixup on the amplitude spectrum
when both the semantic and domain information changes. Consequently, the
overwhelmingly large change can be avoided. We validate the effectiveness of
SAM using image classification tasks on several DG benchmarks.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、様々なタスクにおいてエキサイティングなパフォーマンスを示しているが、未知のターゲットドメインに合うと一般化の失敗に悩まされる。
ドメイン一般化(DG)を実現する最も有望なアプローチの1つは、未知のターゲットデータをカバーするために、ミックスアップなど、目に見えないデータを生成することである。
しかし、既存の作品は、意味空間と分布空間の両方に変化が同時に現れることによって引き起こされる課題を見落としている。
したがって、このような課題はソースの配布をDNNに適合させることを難しくする。
ハードフィッティング問題を軽減するため,我々は,ミックスアップの実行が意味情報とドメイン情報に依存するドメイン一般化のための意味認識ミックスアップ(sam)を行う。
SAMの実現可能性は同じ精神をフーリエベースのミックスアップと共有している。
すなわち、フーリエ位相スペクトルは(ラベルに関する)意味情報を含むことが期待され、フーリエ振幅は(スタイル情報に関する)他の情報を保持する。
この知見に基づいてSAMは、フーリエ位相スペクトルと振幅情報に異なる混合戦略を適用する。
例えば、SAMは、意味情報とドメイン情報の両方が変化するときのみ、振幅スペクトルの混合を行う。
これにより、圧倒的に大きな変化を避けることができる。
いくつかのDGベンチマークで画像分類タスクを用いてSAMの有効性を検証する。
関連論文リスト
- Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。
このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。
SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
論文 参考訳（メタデータ） (2024-06-20T08:02:49Z) - DGMamba: Domain Generalization via Generalized State Space Model [80.82253601531164]
ドメイン一般化(DG)は、様々な場面における分散シフト問題を解決することを目的としている。
Mambaは、新興状態空間モデル(SSM)として、より優れた線形複雑性と大域的受容場を持つ。
本稿では,DGMamba という新たな DG フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-11T14:35:59Z) - FedSIS: Federated Split Learning with Intermediate Representation
Sampling for Privacy-preserving Generalized Face Presentation Attack
Detection [4.1897081000881045]
目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。
本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-20T11:49:12Z) - FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。
一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。
我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。
提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
論文 参考訳（メタデータ） (2022-11-07T09:38:34Z) - Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。
本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。
提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
論文 参考訳（メタデータ） (2022-08-30T11:25:15Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - SAND-mask: An Enhanced Gradient Masking Strategy for the Discovery of
Invariances in Domain Generalization [7.253255826783766]
ネットワークの各端に流れる勾配の一致に基づいて連続的な重みを決定するマスキング戦略を提案する。
SAND-maskはドメイン一般化のためのDomainbedベンチマークで検証される。
論文 参考訳（メタデータ） (2021-06-04T05:20:54Z) - A Fourier-based Framework for Domain Generalization [82.54650565298418]
ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。
本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。
3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
論文 参考訳（メタデータ） (2021-05-24T06:50:30Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳（メタデータ） (2021-05-06T06:04:59Z)
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。