論文の概要: On the Fly Neural Style Smoothing for Risk-Averse Domain Generalization

• arxiv url: http://arxiv.org/abs/2307.08551v1
• Date: Mon, 17 Jul 2023 15:31:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 12:35:31.027803
• Title: On the Fly Neural Style Smoothing for Risk-Averse Domain Generalization
• Title（参考訳）: リスク回避領域一般化のためのフライニューラルスタイル平滑化について
• Authors: Akshay Mehra, Yunbei Zhang, Bhavya Kailkhura, and Jihun Hamm
• Abstract要約: State-of-the-art Domain Generalization (DG)分類器は、様々なタスクで顕著な性能を示している。 しかし、画像コンテンツのようなドメイン不変情報よりも、画像スタイルのようなドメイン依存情報に対するバイアスが示されている。 このバイアスは、自律運転のようなリスクに敏感なシナリオへのデプロイに対して信頼性を損なう。 本稿では,テスト時の予測にDG分類器の「スタイル平滑化」バージョンを用いた新しい推論手法であるTT-NSSを提案する。
• 参考スコア（独自算出の注目度）: 25.618051317035164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving high accuracy on data from domains unseen during training is a fundamental challenge in domain generalization (DG). While state-of-the-art DG classifiers have demonstrated impressive performance across various tasks, they have shown a bias towards domain-dependent information, such as image styles, rather than domain-invariant information, such as image content. This bias renders them unreliable for deployment in risk-sensitive scenarios such as autonomous driving where a misclassification could lead to catastrophic consequences. To enable risk-averse predictions from a DG classifier, we propose a novel inference procedure, Test-Time Neural Style Smoothing (TT-NSS), that uses a "style-smoothed" version of the DG classifier for prediction at test time. Specifically, the style-smoothed classifier classifies a test image as the most probable class predicted by the DG classifier on random re-stylizations of the test image. TT-NSS uses a neural style transfer module to stylize a test image on the fly, requires only black-box access to the DG classifier, and crucially, abstains when predictions of the DG classifier on the stylized test images lack consensus. Additionally, we propose a neural style smoothing (NSS) based training procedure that can be seamlessly integrated with existing DG methods. This procedure enhances prediction consistency, improving the performance of TT-NSS on non-abstained samples. Our empirical results demonstrate the effectiveness of TT-NSS and NSS at producing and improving risk-averse predictions on unseen domains from DG classifiers trained with SOTA training methods on various benchmark datasets and their variations.
• Abstract（参考訳）: トレーニング中に見えない領域のデータに対する高い精度を達成することは、ドメインの一般化(DG)における根本的な課題である。 最先端のDG分類器は様々なタスクで顕著な性能を示してきたが、画像内容などのドメイン不変情報よりも、画像スタイルなどのドメイン依存情報に偏っている。 このバイアスは、誤分類が破滅的な結果をもたらす可能性がある自律運転のような、リスクに敏感なシナリオへの展開に信頼性を欠く。 dg分類器からのリスク回避予測を可能にするために,テスト時の予測にdg分類器の「スタイルスムース化」バージョンを用いる新しい推論手順であるtest-time neural style smoothing (tt-nss)を提案する。 具体的には、スタイル平滑な分類器は、テスト画像のランダムな再スティル化に基づいて、DG分類器が予測する最も確率の高いクラスとしてテスト画像を分類する。 TT-NSSは、ニューラルスタイルの転送モジュールを使用して、テストイメージをオンザフライでスタイリングし、DG分類器へのブラックボックスアクセスのみを必要とする。 さらに,既存のDG手法とシームレスに統合可能なニューラルネットワークスムースティング(NSS)ベースのトレーニング手順を提案する。 この手法により予測一貫性が向上し、非持続サンプルにおけるTT-NSSの性能が向上する。 実験の結果,様々なベンチマークデータセット上でSOTAトレーニング手法を用いて訓練したDG分類器を用いて,未確認領域に対するTT-NSSとNSSの有効性を実証した。

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)
• 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)
• Continual Test-time Domain Adaptation via Dynamic Sample Selection [38.82346845855512]
  本稿では,連続テスト時間領域適応(CTDA)のための動的サンプル選択法を提案する。 誤情報を誤用するリスクを低減するため,高品質と低品質の両方のサンプルに共同正負の学習を適用した。 私たちのアプローチは3Dポイントのクラウドドメインでも評価されており、その汎用性とより広範な適用可能性を示している。
  論文  参考訳（メタデータ） (2023-10-05T06:35:21Z)
• 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)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Invariant Content Synergistic Learning for Domain Generalization of Medical Image Segmentation [13.708239594165061]
  ディープ畳み込みニューラルネットワーク(DCNN)は、新しい分布とテストデータに直面すると、その堅牢性を維持することができないことが多い。 本稿では,DCNNの一般化能力を向上させるため,ICSL (Invariant Content Synergistic Learning) という手法を提案する。
  論文  参考訳（メタデータ） (2022-05-05T08:13:17Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)

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。