論文の概要: HiLo: A Learning Framework for Generalized Category Discovery Robust to Domain Shifts

• arxiv url: http://arxiv.org/abs/2408.04591v1
• Date: Thu, 8 Aug 2024 17:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-09 14:58:04.780065
• Title: HiLo: A Learning Framework for Generalized Category Discovery Robust to Domain Shifts
• Title（参考訳）: HiLo: 汎用カテゴリ発見ロバストからドメインシフトへの学習フレームワーク
• Authors: Hongjun Wang, Sagar Vaze, Kai Han,
• Abstract要約: ラベル付き集合に異なる領域の画像も含んでいる場合、GCDを処理するための新しいタスクとメソッドを導入する。 提案するHiLo'ネットワークは,高レベルのセマンティックおよび低レベルのドメイン特徴を抽出する。 我々は,GCDタスクに適した専門領域拡張とカリキュラム学習アプローチにより,本手法を拡張した。
• 参考スコア（独自算出の注目度）: 17.520137576423593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generalized Category Discovery (GCD) is a challenging task in which, given a partially labelled dataset, models must categorize all unlabelled instances, regardless of whether they come from labelled categories or from new ones. In this paper, we challenge a remaining assumption in this task: that all images share the same domain. Specifically, we introduce a new task and method to handle GCD when the unlabelled data also contains images from different domains to the labelled set. Our proposed `HiLo' networks extract High-level semantic and Low-level domain features, before minimizing the mutual information between the representations. Our intuition is that the clusterings based on domain information and semantic information should be independent. We further extend our method with a specialized domain augmentation tailored for the GCD task, as well as a curriculum learning approach. Finally, we construct a benchmark from corrupted fine-grained datasets as well as a large-scale evaluation on DomainNet with real-world domain shifts, reimplementing a number of GCD baselines in this setting. We demonstrate that HiLo outperforms SoTA category discovery models by a large margin on all evaluations.
• Abstract（参考訳）: Generalized Category Discovery(GCD)は、部分的にラベル付けされたデータセットが与えられた場合、モデルがラベル付けされたカテゴリからか、あるいは新しいカテゴリからかに関わらず、すべての非ラベル付きインスタンスを分類しなければならない、困難なタスクである。 本稿では、全ての画像が同じ領域を共有しているという、この課題における残りの仮定に挑戦する。 具体的には、ラベル付き集合に対する異なる領域の画像も含んでいる場合、GCDを処理するための新しいタスクと方法を提案する。 提案するHiLoネットワークは,表現間の相互情報を最小化する前に,高レベルの意味的特徴と低レベルのドメイン特徴を抽出する。 私たちの直感は、ドメイン情報とセマンティック情報に基づくクラスタリングは独立しているべきです。 我々はさらに、GCDタスクに適した専門的なドメイン拡張とカリキュラム学習アプローチにより、この手法を拡張した。 最後に、破損したきめ細かいデータセットと、実際のドメインシフトを伴うDomainNetの大規模評価からベンチマークを構築し、この設定で多くのGCDベースラインを再実装する。 以上の結果から,HiLoはSoTAカテゴリ発見モデルよりも高い性能を示した。

関連論文リスト

• CDAD-Net: Bridging Domain Gaps in Generalized Category Discovery [9.505699498746976]
  Generalized Category Discovery (GCD)は、既知のクラスと新しいクラスのラベルのないサンプルをクラスタリングするツールである。 本稿では、Across Domain Generalized Category Discovery (AD-GCD)を紹介し、CDAD-NETを治療として提供する。 CDAD-NETは、ラベル付き(ソース)データセットとラベルなし(ターゲット)データセットの両方で、既知の潜在的なクラスサンプルを同期するように設計されている。 実験により、CDAD-NETは既存の文献を8～15%上回り、AD-GCDベンチマークを3つのベンチマークで比較した。
  論文  参考訳（メタデータ） (2024-04-08T10:05:24Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Upcycling Models under Domain and Category Shift [95.22147885947732]
  グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。 我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。 注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
  論文  参考訳（メタデータ） (2023-03-13T13:44:04Z)
• Few-Shot Object Detection in Unseen Domains [4.36080478413575]
  Few-shot Object Detection (FSOD)は、データ制限のある新しいオブジェクトクラスを学ぶために近年発展している。 そこで本稿では,ドメイン固有の情報をすべて考慮し,新しいクラスを数枚追加する手法を提案する。 T-LESSデータセットを用いた実験により,提案手法はドメインギャップを著しく緩和することに成功した。
  論文  参考訳（メタデータ） (2022-04-11T13:16:41Z)
• Context-Conditional Adaptation for Recognizing Unseen Classes in Unseen Domains [48.17225008334873]
  我々は,COCOA (COntext Conditional Adaptive) Batch-Normalization と統合された特徴生成フレームワークを提案する。 生成されたビジュアル機能は、基礎となるデータ分散をよりよくキャプチャすることで、テスト時に見つからないクラスやドメインに一般化できます。 確立した大規模ベンチマークであるDomainNetに対する我々のアプローチを徹底的に評価し、分析する。
  論文  参考訳（メタデータ） (2021-07-15T17:51:16Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• 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)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。