論文の概要: Frequency Decomposition to Tap the Potential of Single Domain for Generalization

• arxiv url: http://arxiv.org/abs/2304.07261v1
• Date: Fri, 14 Apr 2023 17:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 12:50:15.205935
• Title: Frequency Decomposition to Tap the Potential of Single Domain for Generalization
• Title（参考訳）: 一般化のための単一領域のポテンシャルをタップする周波数分解
• Authors: Qingyue Yang, Hongjing Niu, Pengfei Xia, Wei Zhang, Bin Li
• Abstract要約: ドメインの一般化は、汎用人工知能の必須の特徴である。 本稿では、単一ソースドメイントレーニングサンプルにドメイン不変性を含めることができると判定した。 複数のドメインから学習する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.555462823983122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG), aiming at models able to work on multiple unseen domains, is a must-have characteristic of general artificial intelligence. DG based on single source domain training data is more challenging due to the lack of comparable information to help identify domain invariant features. In this paper, it is determined that the domain invariant features could be contained in the single source domain training samples, then the task is to find proper ways to extract such domain invariant features from the single source domain samples. An assumption is made that the domain invariant features are closely related to the frequency. Then, a new method that learns through multiple frequency domains is proposed. The key idea is, dividing the frequency domain of each original image into multiple subdomains, and learning features in the subdomain by a designed two branches network. In this way, the model is enforced to learn features from more samples of the specifically limited spectrum, which increases the possibility of obtaining the domain invariant features that might have previously been defiladed by easily learned features. Extensive experimental investigation reveals that 1) frequency decomposition can help the model learn features that are difficult to learn. 2) the proposed method outperforms the state-of-the-art methods of single-source domain generalization.
• Abstract（参考訳）: ドメイン一般化(Domain Generalization, DG)は、汎用人工知能において必要不可欠な特徴である。 単一ソースのドメイントレーニングデータに基づくDGは、ドメイン不変の機能を特定するのに役立つ同等の情報がないため、より難しい。 本稿では,単一ソースドメインのトレーニングサンプルにドメイン不変機能を含めることができると判断し,そのタスクは、単一ソースドメインのサンプルからそのようなドメイン不変機能を抽出するための適切な方法を見つけることである。 領域不変な特徴が周波数と密接に関連していると仮定される。 そこで,複数の周波数領域から学習する新しい手法を提案する。 鍵となるアイデアは、各元の画像の周波数領域を複数のサブドメインに分割し、設計された2つのブランチネットワークによってサブドメインの特徴を学習することである。 このようにして、モデルは、特定の制限されたスペクトルのより多くのサンプルから特徴を学習するために強制される。 広範囲にわたる実験の結果 1)周波数分解は、モデルを学習しにくい特徴を学ぶのに役立つ。 2)提案手法は単一ソース領域一般化の最先端手法よりも優れている。

関連論文リスト

• Domain Game: Disentangle Anatomical Feature for Single Domain Generalized Segmentation [9.453879758234379]
  医用画像セグメンテーションのための機能ディスタングを行うために,textitDomain Game という新しいフレームワークを提案する。 ドメインゲームでは、特異音源画像から導出されるランダムに変換された画像の集合を戦略的に2つの特徴集合に符号化する。 クロスサイトテスト領域の評価の結果、前立腺のセグメンテーションが約11.8%、脳腫瘍のセグメンテーションが約10.5%向上した。
  論文  参考訳（メタデータ） (2024-06-04T09:10:02Z)
• Quantitatively Measuring and Contrastively Exploring Heterogeneity for Domain Generalization [38.50749918578154]
  ドメイン一般化タスクのための異種性に基づく二段階コントラスト学習(HTCL)を提案する。 第一段階では、最も異質な分割パターンをコントラストメトリックで生成する。 第2段階では、ドメインやクラスによって示唆される安定した関係を持つペアを再構築することで、実践的なコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2023-05-25T09:42:43Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Aggregation of Disentanglement: Reconsidering Domain Variations in Domain Generalization [9.577254317971933]
  ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。 本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。 また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
  論文  参考訳（メタデータ） (2023-02-05T09:48:57Z)
• Domain-invariant Feature Exploration for Domain Generalization [35.99082628524934]
  ドメイン不変の機能は、内部と相互の双方から派生すべきである、と我々は主張する。 ドメイン不変な特徴展開のためのDIFEXを提案する。 時系列とビジュアルベンチマークの両方の実験は、提案したDIFEXが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-25T09:55:55Z)
• 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)
• Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
  ドメイン固有の表現からドメイン不変表現を取り除こうとする。 実験では,本手法を単目的,複目的のケースで評価した。
  論文  参考訳（メタデータ） (2021-08-15T07:58:59Z)
• 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)
• 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)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)

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。