論文の概要: Diverse Intra- and Inter-Domain Activity Style Fusion for Cross-Person Generalization in Activity Recognition

• arxiv url: http://arxiv.org/abs/2406.04609v1
• Date: Fri, 7 Jun 2024 03:37:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 15:39:08.291955
• Title: Diverse Intra- and Inter-Domain Activity Style Fusion for Cross-Person Generalization in Activity Recognition
• Title（参考訳）: 活動認識におけるクロスパーソン一般化のためのドメイン内およびドメイン間アクティビティスタイルフュージョン
• Authors: Junru Zhang, Lang Feng, Zhidan Liu, Yuhan Wu, Yang He, Yabo Dong, Duanqing Xu,
• Abstract要約: 既存のドメイン一般化(DG)手法は、ドメイン内およびドメイン間スタイルの多様性を捉える際の課題に直面することが多い。 本研究では,ドメインパディングとして概念化されたプロセスである,この問題に対処するための新しい視点を探求する。 条件付き拡散モデルを用いてこの概念をインスタンス化し、データ生成の多様性を高めるためのスタイル融合サンプリング戦略を導入する。 従来の条件誘導サンプリングとは対照的に、我々のスタイル融合サンプリング戦略は、1つ以上のランダムなスタイルを柔軟に利用してデータ合成をガイドすることができる。
• 参考スコア（独自算出の注目度）: 8.850516669999292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing domain generalization (DG) methods for cross-person generalization tasks often face challenges in capturing intra- and inter-domain style diversity, resulting in domain gaps with the target domain. In this study, we explore a novel perspective to tackle this problem, a process conceptualized as domain padding. This proposal aims to enrich the domain diversity by synthesizing intra- and inter-domain style data while maintaining robustness to class labels. We instantiate this concept using a conditional diffusion model and introduce a style-fused sampling strategy to enhance data generation diversity. In contrast to traditional condition-guided sampling, our style-fused sampling strategy allows for the flexible use of one or more random styles to guide data synthesis. This feature presents a notable advancement: it allows for the maximum utilization of possible permutations and combinations among existing styles to generate a broad spectrum of new style instances. Empirical evaluations on a board of datasets demonstrate that our generated data achieves remarkable diversity within the domain space. Both intra- and inter-domain generated data have proven to be significant and valuable, contributing to varying degrees of performance enhancements. Notably, our approach outperforms state-of-the-art DG methods in all human activity recognition tasks.
• Abstract（参考訳）: 対人一般化タスクのための既存のドメイン一般化(DG)手法は、しばしばドメイン内およびドメイン間スタイルの多様性を捉える際の課題に直面し、その結果、対象ドメインとのドメインギャップが生じる。 本研究では,ドメインパディングとして概念化されたプロセスである,この問題に対処するための新しい視点を探求する。 本提案は,クラスラベルに対するロバスト性を維持しつつ,ドメイン内およびドメイン間スタイルデータを合成することにより,ドメインの多様性を高めることを目的とする。 条件付き拡散モデルを用いてこの概念をインスタンス化し、データ生成の多様性を高めるためのスタイル融合サンプリング戦略を導入する。 従来の条件誘導サンプリングとは対照的に、我々のスタイル融合サンプリング戦略は、1つ以上のランダムなスタイルを柔軟に利用してデータ合成をガイドすることができる。 既存のスタイル間で可能な置換と組み合わせを最大限に活用し、幅広い種類の新しいスタイルインスタンスを生成することができる。 データセットのボード上での実証的な評価は、生成したデータがドメイン空間内で顕著な多様性を達成することを示す。 ドメイン内のデータとドメイン間のデータの両方が重要で価値があり、さまざまなパフォーマンス向上に寄与している。 特に,本手法は,人間の活動認識タスクにおいて,最先端のDG手法よりも優れている。

関連論文リスト

• Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
  ドメイン不変表現学習は、ドメイン一般化の強力な方法である。 従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。 本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-22T12:06:24Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Domain Expansion and Boundary Growth for Open-Set Single-Source Domain Generalization [70.02187124865627]
  オープンソースの単一ソースドメインの一般化は、単一のソースドメインを使用して、未知のターゲットドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 本稿では,領域拡大と境界成長に基づく新しい学習手法を提案する。 提案手法は,いくつかの領域横断画像分類データセットにおいて,大幅な改善と最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-11-05T09:08:46Z)
• 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)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Towards Domain-Specific Features Disentanglement for Domain Generalization [23.13095840134744]
  そこで本研究では,見過ごされがちな領域特化特徴を生かした,新しいコントラッシブ・ベース・ディコンタンジメント法CDDGを提案する。 具体的には、CDDGは、潜在空間においてそれらを活用することによって、固有の排他的特徴を分離することを学ぶ。 各種ベンチマークデータセットを用いて行った実験は,他の最先端手法と比較して,本手法の優位性を示した。
  論文  参考訳（メタデータ） (2023-10-04T17:51:02Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• Domain Generalization with Correlated Style Uncertainty [4.844240089234632]
  スタイル拡張は、インスタンス固有の特徴統計を利用する強力なDG手法である。 我々はCSU(Correlated Style Uncertainty)を導入し、スタイル統計空間における線形一般化の限界を超越した。 本手法の有効性は,多様なクロスドメインコンピュータビジョンと医用画像分類タスクの広範な実験を通じて確立される。
  論文  参考訳（メタデータ） (2022-12-20T01:59:27Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Feature-based Style Randomization for Domain Generalization [27.15070576861912]
  ドメイン一般化(Domain Generalization、DG)は、まず複数のソースドメイン上のジェネリックモデルを学習し、その後、追加の適応なしに任意の未確認ターゲットドメインに直接一般化することを目的としている。 本稿では,機能レベルの拡張を実現するために,シンプルだが効果的な特徴ベーススタイルのランダム化モジュールを開発する。 既存の画像レベルの拡張と比較して、我々の特徴レベルの拡張は、よりゴール指向でサンプルの多様性のある方法を好む。
  論文  参考訳（メタデータ） (2021-06-06T16:34:44Z)

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。