論文の概要: Phase Matching for Out-of-Distribution Generalization
- arxiv url: http://arxiv.org/abs/2307.12622v5
- Date: Fri, 15 Sep 2023 09:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 17:54:50.620829
- Title: Phase Matching for Out-of-Distribution Generalization
- Title(参考訳): 分布外一般化のための位相マッチング
- Authors: Chengming Hu, Yeqian Du, Rui Wang, Hao Chen
- Abstract要約: 本研究では,位相スペクトルを半因果因子,振幅スペクトルを非因果因子として解釈する構造因果モデルを提案する。
本手法は振幅スペクトルの摂動を導入し,位相成分に一致する空間関係を確立する。
- 参考スコア(独自算出の注目度): 9.03228987290643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Fourier transform, serving as an explicit decomposition method for visual
signals, has been employed to explain the out-of-distribution generalization
behaviors of Convolutional Neural Networks (CNNs). Previous studies have
indicated that the amplitude spectrum is susceptible to the disturbance caused
by distribution shifts. On the other hand, the phase spectrum preserves
highly-structured spatial information, which is crucial for robust visual
representation learning. However, the spatial relationships of phase spectrum
remain unexplored in previous research. In this paper, we aim to clarify the
relationships between Domain Generalization (DG) and the frequency components,
and explore the spatial relationships of the phase spectrum. Specifically, we
first introduce a Fourier-based structural causal model which interprets the
phase spectrum as semi-causal factors and the amplitude spectrum as non-causal
factors. Then, we propose Phase Matching (PhaMa) to address DG problems. Our
method introduces perturbations on the amplitude spectrum and establishes
spatial relationships to match the phase components. Through experiments on
multiple benchmarks, we demonstrate that our proposed method achieves
state-of-the-art performance in domain generalization and out-of-distribution
robustness tasks.
- Abstract(参考訳): 視覚信号の明確な分解法として機能するフーリエ変換は、畳み込みニューラルネットワーク(CNN)の分布外一般化挙動を説明するために用いられる。
従来の研究では、振幅スペクトルは分布シフトによる乱れの影響を受けやすいことが示されている。
一方、位相スペクトルは、堅牢な視覚表現学習に不可欠である高度に構造化された空間情報を保存する。
しかし、相スペクトルの空間的関係は、これまでの研究では未解明のままである。
本稿では,領域一般化(dg)と周波数成分の関係を明らかにし,位相スペクトルの空間的関係を明らかにすることを目的とする。
具体的には,まず位相スペクトルを半因果因子,振幅スペクトルを非因果因子として解釈するフーリエ型構造因果モデルを提案する。
次に,DG問題に対処するための位相マッチング(PhaMa)を提案する。
本手法は振幅スペクトルの摂動を導入し,位相成分に一致する空間関係を確立する。
提案手法は,複数のベンチマーク実験により,領域一般化および分布外ロバスト性タスクにおける最先端性能を実現することを示す。
関連論文リスト
- HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳(メタデータ) (2023-10-03T17:42:09Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳(メタデータ) (2023-09-14T00:40:07Z) - Exploring Invariant Representation for Visible-Infrared Person
Re-Identification [77.06940947765406]
異なるスペクトルを横断する歩行者にアイデンティティを関連付けることを目的とした、クロススペクトルの人物再識別は、モダリティの相違の主な課題に直面している。
本稿では、ロバスト機能マイニングネットワーク(RFM)と呼ばれるエンドツーエンドのハイブリッド学習フレームワークにおいて、画像レベルと特徴レベルの両方の問題に対処する。
RegDBとSYSU-MM01という2つの標準的なクロススペクトル人物識別データセットの実験結果により,最先端の性能が示された。
論文 参考訳(メタデータ) (2023-02-02T05:24:50Z) - Robust, Nonparametric, Efficient Decomposition of Spectral Peaks under
Distortion and Interference [0.0]
本稿では, 高速フーリエ変換を用いて, 周波数スペクトルのスペクトルピークの分解法を提案する。
スペクトルのピークを擬対称関数としてモデル化する。そこでは、距離が大きくなると中心周波数の周りの非増加的な振る舞いが制約となる。
我々のアプローチは、観測システムによって引き起こされる可能性のあるスペクトルの任意の歪み、干渉、ノイズに対してより堅牢である。
論文 参考訳(メタデータ) (2022-04-18T17:08:37Z) - Time-inhomogeneous diffusion geometry and topology [69.55228523791897]
拡散凝縮(英: Diffusion condensation)は、各ステップが最初に計算し、そのデータに拡散演算子を適用する時間不均質な過程である。
我々はこの過程の収束と進化を幾何学的、スペクトル的、位相的観点から理論的に分析する。
我々の研究は拡散凝縮の収束に関する理論的洞察を与え、トポロジカルデータ解析と幾何学的データ解析のリンクを提供することを示している。
論文 参考訳(メタデータ) (2022-03-28T16:06:17Z) - Amplitude-Phase Recombination: Rethinking Robustness of Convolutional
Neural Networks in Frequency Domain [31.182376196295365]
CNNは、トレーニング画像の高周波成分と密接に関連する局所最適値に収束する傾向にある。
現在の画像の位相スペクトルとイントラクタ画像の振幅スペクトルを再結合して設計されたデータ拡張に関する新しい視点。
論文 参考訳(メタデータ) (2021-08-19T04:04:41Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - 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) - Interpreting Stellar Spectra with Unsupervised Domain Adaptation [0.0]
我々は、シミュレートされたドメインと観測されたドメイン間の転送がいかに可能かを示す。
恒星分光スカイサーベイを解釈するアプリケーションにより、我々はドメイン転送パイプラインを構築した。
論文 参考訳(メタデータ) (2020-07-06T23:09:13Z)
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。