論文の概要: Shape Guided Gradient Voting for Domain Generalization
- arxiv url: http://arxiv.org/abs/2306.10809v1
- Date: Mon, 19 Jun 2023 09:54:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:16:06.078697
- Title: Shape Guided Gradient Voting for Domain Generalization
- Title（参考訳）: ドメイン一般化のための形状誘導勾配投票
- Authors: Jiaqi Xu, Yuwang Wang, Xuejin Chen
- Abstract要約: 領域一般化のための形状誘導勾配投票法(SGGV)を提案する。
まず,ネットワークの余分な入力によって先行した形状を導入し,勾配を形状バイアス方向に下方へ誘導する。
第2に、ロバストな最適化のために、外れ値を取り除くための新しい勾配投票戦略を提案する。
- 参考スコア（独自算出の注目度）: 20.593708375868893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization aims to address the domain shift between training and
testing data. To learn the domain invariant representations, the model is
usually trained on multiple domains. It has been found that the gradients of
network weight relative to a specific task loss can characterize the task
itself. In this work, with the assumption that the gradients of a specific
domain samples under the classification task could also reflect the property of
the domain, we propose a Shape Guided Gradient Voting (SGGV) method for domain
generalization. Firstly, we introduce shape prior via extra inputs of the
network to guide gradient descending towards a shape-biased direction for
better generalization. Secondly, we propose a new gradient voting strategy to
remove the outliers for robust optimization in the presence of shape guidance.
To provide shape guidance, we add edge/sketch extracted from the training data
as an explicit way, and also use texture augmented images as an implicit way.
We conduct experiments on several popular domain generalization datasets in
image classification task, and show that our shape guided gradient updating
strategy brings significant improvement of the generalization.
- Abstract（参考訳）: ドメインの一般化は、トレーニングとテストデータのドメインシフトに対処することを目的としている。
ドメイン不変表現を学ぶために、モデルは通常、複数のドメインで訓練される。
特定のタスク損失に対するネットワーク重みの勾配は,タスク自体を特徴付けることができることがわかった。
本研究では,分類タスクにおける特定の領域サンプルの勾配が領域の性質を反映できるという前提のもと,領域一般化のための形状誘導勾配投票法(Shape Guided Gradient Voting, SGGV)を提案する。
まず,ネットワークの余分な入力によって先行した形状を導入し,より一般化した形状バイアス方向の勾配を導出する。
第2に,形状指導の有無でロバスト最適化のための外れ値を除去するための新しい勾配投票戦略を提案する。
形状指導のために,トレーニングデータから抽出したエッジ/スケッチを明示的な方法で追加し,テクスチャのイメージを暗黙的な方法で使用する。
画像分類タスクにおいて,いくつかの一般的なドメイン一般化データセットについて実験を行い,形状案内勾配更新戦略が一般化の大幅な改善をもたらすことを示す。
関連論文リスト
- Dynamic Proxy Domain Generalizes the Crowd Localization by Better Binary Segmentation [65.13362950067744]
群衆のローカライゼーションは、イメージ内の各インスタンスの正確な位置を予測することを目的としている。
現在の高度な手法では、混雑予測に対処する画素単位のバイナリ分類が提案されている。
ドメインシフト下で学習者を一般化するための動的プロキシドメイン(DPD)手法を提案する。
論文 参考訳（メタデータ） (2024-04-22T08:58:57Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳（メタデータ） (2023-01-03T15:19:48Z) - Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。
提案手法は、ドメイン適応のための最先端手法を一貫して上回る。
Cityscapesデータセットで60.2% mIoUを達成した。
論文 参考訳（メタデータ） (2022-04-18T16:50:46Z) - Semi-supervised Meta-learning with Disentanglement for
Domain-generalised Medical Image Segmentation [15.351113774542839]
新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。
本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。
提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
論文 参考訳（メタデータ） (2021-06-24T19:50:07Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - RobustNet: Improving Domain Generalization in Urban-Scene Segmentation
via Instance Selective Whitening [40.98892593362837]
ディープニューラルネットワークの未認識領域への一般化能力の強化は、自動運転のような現実世界における安全性クリティカルな応用に不可欠である。
本稿では,未知領域のセグメンテーションネットワークのロバスト性を改善するために,新しいインスタンス選択型ホワイトニング損失を提案する。
論文 参考訳（メタデータ） (2021-03-29T13:19:37Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳（メタデータ） (2021-02-17T17:46:06Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - Generalizable Model-agnostic Semantic Segmentation via Target-specific
Normalization [24.14272032117714]
一般化可能なセマンティックセグメンテーションタスクのための新しいドメイン一般化フレームワークを提案する。
モデルに依存しない学習を利用してドメインシフト問題をシミュレートする。
観測対象領域と観測対象領域間のデータ分散の相違を考慮し、目標固有正規化方式を開発する。
論文 参考訳（メタデータ） (2020-03-27T09:25:19Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z) - Unsupervised Domain Adaptive Object Detection using Forward-Backward
Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。
近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。
本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文 参考訳（メタデータ） (2020-02-03T06:24:58Z)
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。