論文の概要: Test-Time Style Shifting: Handling Arbitrary Styles in Domain Generalization

• arxiv url: http://arxiv.org/abs/2306.04911v1
• Date: Thu, 8 Jun 2023 03:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 16:34:38.740480
• Title: Test-Time Style Shifting: Handling Arbitrary Styles in Domain Generalization
• Title（参考訳）: テスト時間スタイルシフト:ドメイン一般化における任意スタイルの扱い
• Authors: Jungwuk Park, Dong-Jun Han, Soyeong Kim, Jaekyun Moon
• Abstract要約: ドメイン一般化(DG)では、モデルがトレーニングされている時点でターゲットドメインが不明である。 テストサンプルのスタイルを最も近いソースドメインにシフトするテスト時スタイルシフトを提案する。 また、テスト時のスタイルシフトの利点を最大化するための優れたプラットフォームを提供するスタイルバランシングも提案しています。
• 参考スコア（独自算出の注目度）: 22.099003320482392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In domain generalization (DG), the target domain is unknown when the model is being trained, and the trained model should successfully work on an arbitrary (and possibly unseen) target domain during inference. This is a difficult problem, and despite active studies in recent years, it remains a great challenge. In this paper, we take a simple yet effective approach to tackle this issue. We propose test-time style shifting, which shifts the style of the test sample (that has a large style gap with the source domains) to the nearest source domain that the model is already familiar with, before making the prediction. This strategy enables the model to handle any target domains with arbitrary style statistics, without additional model update at test-time. Additionally, we propose style balancing, which provides a great platform for maximizing the advantage of test-time style shifting by handling the DG-specific imbalance issues. The proposed ideas are easy to implement and successfully work in conjunction with various other DG schemes. Experimental results on different datasets show the effectiveness of our methods.
• Abstract（参考訳）: ドメイン一般化(DG)では、モデルがトレーニングされている時点でターゲットドメインが不明であり、トレーニングされたモデルは、推論中に任意の(そしておそらく見えない)ターゲットドメインでうまく動作するべきである。 これは難しい問題であり、近年の活発な研究にもかかわらず、依然として大きな課題である。 本稿では,この問題に対処するために,シンプルながら効果的なアプローチをとる。 我々は,テストサンプルのスタイル(ソースドメインとのスタイルギャップが大きい)を,モデルがすでに慣れ親しんでいる最寄りのソースドメインに変換し,予測を行うテストタイムスタイルシフトを提案する。 この戦略により、テスト時に追加のモデルを更新することなく、任意のスタイル統計でターゲットドメインを処理できる。 さらに,dg固有の不均衡問題に対処することで,テスト時のスタイルシフトの利点を最大化する優れたプラットフォームを提供するスタイルバランシングを提案する。 提案したアイデアは実装が容易であり、他の様々なDGスキームと連携してうまく機能する。 異なるデータセットにおける実験結果は,提案手法の有効性を示す。

関連論文リスト

• Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
  Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。 本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。 テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
  論文  参考訳（メタデータ） (2024-03-28T11:50:23Z)
• Mitigating the Bias in the Model for Continual Test-Time Adaptation [32.33057968481597]
  連続的テスト時間適応(Continuous Test-Time Adaptation, CTA)は、ソース事前学習モデルを目標ドメインの継続的な変更に適応させることを目的とした、困難なタスクである。 対象データの連鎖分布に常に適応するため、モデルは非常に偏りのある予測を示す。 本稿では,CTAシナリオの性能向上のために,この問題を緩和する。
  論文  参考訳（メタデータ） (2024-03-02T23:37:16Z)
• DG-TTA: Out-of-domain medical image segmentation through Domain Generalization and Test-Time Adaptation [43.842694540544194]
  本稿では、ドメインの一般化とテスト時間適応を組み合わせることで、未確認対象領域で事前学習したモデルを再利用するための非常に効果的なアプローチを提案する。 本手法は,事前訓練した全身CTモデルと組み合わせることで,MR画像を高精度に分割できることを実証する。
  論文  参考訳（メタデータ） (2023-12-11T10:26:21Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Distributional Shift Adaptation using Domain-Specific Features [41.91388601229745]
  オープンワールドのシナリオでは、ビッグデータのストリーミングはOut-Of-Distribution(OOD)になる。 特徴が不変か否かにかかわらず、一般の相関に依拠する単純かつ効果的な手法を提案する。 提案手法では,OODベースモデルによって同定された最も確実なサンプルを用いて,対象領域に効果的に適応する新しいモデルを訓練する。
  論文  参考訳（メタデータ） (2022-11-09T04:16:21Z)
• Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
  DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-07T07:41:32Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)

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。