論文の概要: DomainDrop: Suppressing Domain-Sensitive Channels for Domain Generalization

• arxiv url: http://arxiv.org/abs/2308.10285v1
• Date: Sun, 20 Aug 2023 14:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 16:30:10.576279
• Title: DomainDrop: Suppressing Domain-Sensitive Channels for Domain Generalization
• Title（参考訳）: DomainDrop: ドメイン一般化のためのドメイン感性チャネルの抑制
• Authors: Jintao Guo, Lei Qi and Yinghuan Shi
• Abstract要約: DomainDropは、チャンネルの堅牢性をドメインシフトに継続的に拡張するフレームワークである。 我々のフレームワークは、他の競合する手法と比較して最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 25.940491294232956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks have exhibited considerable success in various visual tasks. However, when applied to unseen test datasets, state-of-the-art models often suffer performance degradation due to domain shifts. In this paper, we introduce a novel approach for domain generalization from a novel perspective of enhancing the robustness of channels in feature maps to domain shifts. We observe that models trained on source domains contain a substantial number of channels that exhibit unstable activations across different domains, which are inclined to capture domain-specific features and behave abnormally when exposed to unseen target domains. To address the issue, we propose a DomainDrop framework to continuously enhance the channel robustness to domain shifts, where a domain discriminator is used to identify and drop unstable channels in feature maps of each network layer during forward propagation. We theoretically prove that our framework could effectively lower the generalization bound. Extensive experiments on several benchmarks indicate that our framework achieves state-of-the-art performance compared to other competing methods. Our code is available at https://github.com/lingeringlight/DomainDrop.
• Abstract（参考訳）: ディープニューラルネットワークは様々な視覚的タスクでかなりの成功を収めている。 しかしながら、目に見えないテストデータセットに適用する場合、最先端のモデルはドメインシフトによってパフォーマンスが低下することが多い。 本稿では,特徴写像から領域シフトへのチャネルの堅牢性向上という新たな視点から,領域一般化のための新しいアプローチを提案する。 ソースドメインでトレーニングされたモデルには、異なるドメイン間で不安定なアクティベーションを示すチャネルがかなり多く含まれており、ドメイン固有の特徴を捉え、目に見えないターゲットドメインに露出すると異常に振る舞う傾向にある。 この問題に対処するために,ドメイン識別器を用いて各ネットワーク層の特徴マップ内の不安定なチャネルを識別・ドロップする,ドメインシフトに対するチャネルロバスト性を継続的に向上するDomainDropフレームワークを提案する。 理論的には、我々のフレームワークは一般化境界を効果的に低くすることができる。 いくつかのベンチマークにおいて、我々のフレームワークは競合する他の手法と比較して最先端の性能を達成することを示す。 私たちのコードはhttps://github.com/lingeringlight/domaindropで利用可能です。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Improving Transferability of Domain Adaptation Networks Through Domain Alignment Layers [1.3766148734487902]
  マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。 我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。 我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
  論文  参考訳（メタデータ） (2021-09-06T18:41:19Z)
• 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)
• Generalized Domain Conditioned Adaptation Network [33.13337928537281]
  ドメイン適応(DA)はラベル付きソースドメインで学んだ知識をラベル付けされていないが関連するターゲットドメインに転送しようとする。 DAの最近の進歩は、主にソースとターゲットの分布を調整することによって進みます。 汎用ドメイン条件適応ネットワーク(GDCAN)を開発し、各アテンションモジュールでドメインチャネルのアクティベーションが個別にモデル化されるべきかどうかを自動決定する。
  論文  参考訳（メタデータ） (2021-03-23T06:24:26Z)
• 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)
• Channel-wise Alignment for Adaptive Object Detection [66.76486843397267]
  遺伝的物体検出は、ディープ畳み込みニューラルネットワークの開発によって大いに促進されている。 このタスクの既存の方法は、通常、画像全体や関心の対象に基づいて、ハイレベルなアライメントに注意を向ける。 本稿では,チャネルワイドアライメント(チャネルワイドアライメント)という,まったく異なる観点からの適応を実現する。
  論文  参考訳（メタデータ） (2020-09-07T02:42:18Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Domain Balancing: Face Recognition on Long-Tailed Domains [49.4688709764188]
  本稿では,長期領域分散問題を扱うための新しいドメインバランス機構を提案する。 本稿では、まず、サンプルがヘッドドメインかテールドメインであるかを判断するために、ドメイン周波数指標(DFI)を提案する。 第2に、DFIに応じてネットワークを調整することにより、領域分布のバランスをとるために、軽量な残留バランスマッピング(RBM)ブロックを定式化する。 最後に、損失関数におけるドメインバランスマージン(DBM)を提案し、テール領域の特徴空間をさらに最適化し、一般化を改善する。
  論文  参考訳（メタデータ） (2020-03-30T20:16:31Z)

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。