論文の概要: MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization

• arxiv url: http://arxiv.org/abs/2311.15906v1
• Date: Mon, 27 Nov 2023 15:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 14:56:35.277228
• Title: MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization
• Title（参考訳）: MetaDefa: 単一ドメインの一般化のためのドメイン拡張と機能アライメントに基づくメタラーニング
• Authors: Can Sun, Hao Zheng, Zhigang Hu, Liu Yang, Meiguang Zheng, Bo Xu
• Abstract要約: モデル一般化性能を改善するために,ドメイン拡張と特徴アライメント(MetaDefa)に基づくメタラーニング手法を提案する。 本稿では、ソース領域と拡張領域の機能空間間の類似のターゲット領域に着目し、ドメイン不変性について検討する。 公開された2つのデータセットに対する大規模な実験により、MetaDefaは未知の複数のターゲットドメインにおいて、大きな一般化パフォーマンスのアドバンテージを持つことが示された。
• 参考スコア（独自算出の注目度）: 12.095382249996032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The single domain generalization(SDG) based on meta-learning has emerged as an effective technique for solving the domain-shift problem. However, the inadequate match of data distribution between source and augmented domains and difficult separation of domain-invariant features from domain-related features make SDG model hard to achieve great generalization. Therefore, a novel meta-learning method based on domain enhancement and feature alignment (MetaDefa) is proposed to improve the model generalization performance. First, the background substitution and visual corruptions techniques are used to generate diverse and effective augmented domains. Then, the multi-channel feature alignment module based on class activation maps and class agnostic activation maps is designed to effectively extract adequate transferability knowledge. In this module, domain-invariant features can be fully explored by focusing on similar target regions between source and augmented domains feature space and suppressing the feature representation of non-similar target regions. Extensive experiments on two publicly available datasets show that MetaDefa has significant generalization performance advantages in unknown multiple target domains.
• Abstract（参考訳）: メタラーニングに基づく単一領域一般化(SDG)がドメインシフト問題の解決に有効な手法として登場した。 しかし、ソースと拡張ドメイン間のデータ分布の整合性が不十分であり、ドメイン関連の特徴からドメイン不変の特徴を分離することが難しいため、SDGモデルは非常に一般化が難しい。 そこで,ドメイン拡張と特徴アライメント(MetaDefa)に基づくメタラーニング手法を提案し,モデル一般化性能を向上させる。 まず、背景置換と視覚的汚職技術を用いて、多種多様な効果的な拡張ドメインを生成する。 そして、クラスアクティベーションマップとクラス非アクティベーションマップに基づくマルチチャネル特徴アライメントモジュールを設計し、適切な転送可能性知識を効果的に抽出する。 このモジュールでは、ソースと拡張ドメインの間の類似のターゲット領域に注目し、非類似のターゲット領域の特徴表現を抑制することで、ドメイン不変の機能を完全に探求することができる。 公開されている2つのデータセットに関する広範囲な実験は、metadefaが未知の複数のターゲットドメインにおいて大きな一般化性能の利点を持っていることを示している。

関連論文リスト

• Cross-Domain Feature Augmentation for Domain Generalization [16.174824932970004]
  本稿では,XDomainMix というクロスドメイン機能拡張手法を提案する。 広範に使用されているベンチマークデータセットの実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2024-05-14T13:24:19Z)
• Meta-causal Learning for Single Domain Generalization [102.53303707563612]
  単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。 既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。 そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-07T15:46:38Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Exploiting Domain-Specific Features to Enhance Domain Generalization [10.774902700296249]
  ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。 本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:42:39Z)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• 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)

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。