論文の概要: Single-Domain Generalized Object Detection by Balancing Domain Diversity and Invariance

• arxiv url: http://arxiv.org/abs/2502.03835v2
• Date: Tue, 26 Aug 2025 10:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 15:23:52.254726
• Title: Single-Domain Generalized Object Detection by Balancing Domain Diversity and Invariance
• Title（参考訳）: 領域の多様性と不変性とのバランスによる単ドメイン一般化物体検出
• Authors: Zhenwei He, Hongsu Ni,
• Abstract要約: オブジェクト検出のための単一ドメインの一般化は、学習された表現を単一のソースドメインから見えないターゲットドメインに転送しようとする。 本稿では、ドメイン固有の多様性とドメイン不変性の統合を実現するダイバーシティ不変検出モデル(DIDM)を提案する。 複数の多様なデータセットの実験は、提案モデルの有効性を示し、既存の手法よりも優れた性能を実現している。
• 参考スコア（独自算出の注目度）: 2.5183599110662054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-domain generalization for object detection (S-DGOD) seeks to transfer learned representations from a single source domain to unseen target domains. While recent approaches have primarily focused on achieving feature invariance, they ignore that domain diversity also presents significant challenges for the task. First, such invariance-driven strategies often lead to the loss of domain-specific information, resulting in incomplete feature representations. Second, cross-domain feature alignment forces the model to overlook domain-specific discrepancies, thereby increasing the complexity of the training process. To address these limitations, this paper proposes the Diversity Invariant Detection Model (DIDM), which achieves a harmonious integration of domain-specific diversity and domain invariance. Our key idea is to learn the invariant representations by keeping the inherent domain-specific features. Specifically, we introduce the Diversity Learning Module (DLM). This module limits the invariant semantics while explicitly enhancing domain-specific feature representation through a proposed feature diversity loss. Furthermore, to ensure cross-domain invariance without sacrificing diversity, we incorporate the Weighted Aligning Module (WAM) to enable feature alignment while maintaining the discriminative domain-specific information. Extensive experiments on multiple diverse datasets demonstrate the effectiveness of the proposed model, achieving superior performance compared to existing methods.
• Abstract（参考訳）: オブジェクト検出のための単一ドメイン一般化(S-DGOD)は、学習された表現を単一のソースドメインから見えないターゲットドメインに転送しようとする。 最近のアプローチでは、主に機能の不変性の実現に重点を置いているが、ドメインの多様性がタスクに重大な課題をもたらすことも無視している。 第一に、そのような不変性駆動戦略はドメイン固有の情報の喪失を招き、不完全な特徴表現をもたらす。 第2に、クロスドメイン機能アライメントは、モデルをドメイン固有の相違点を見落とし、トレーニングプロセスの複雑さを増大させる。 これらの制約に対処するため、ドメイン固有の多様性とドメイン不変性の調和した統合を実現するDIDM(Diversity Invariant Detection Model)を提案する。 私たちのキーとなる考え方は、固有のドメイン固有の特徴を保持することで不変表現を学ぶことです。 具体的には,多様性学習モジュール(DLM)を紹介する。 このモジュールは不変セマンティクスを制限し、提案された機能の多様性損失を通じてドメイン固有の特徴表現を明示的に強化する。 さらに、多様性を犠牲にすることなくドメイン間の不変性を確実にするため、識別ドメイン固有の情報を維持しながら特徴調整を可能にするために、Weighted Aligning Module (WAM)を組み込んだ。 複数の多様なデータセットに対する大規模な実験は、提案モデルの有効性を示し、既存の手法よりも優れた性能を実現している。

関連論文リスト

• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
  マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。 このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-07-26T09:40:19Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
  主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。 3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2021-11-06T15:56:53Z)
• 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)
• Multidomain Multimodal Fusion For Human Action Recognition Using Inertial Sensors [1.52292571922932]
  入力モダリティの異なる領域から相補的特徴と相補的特徴を抽出する新しいマルチドメイン多モード融合フレームワークを提案する。 異なる領域の特徴は畳み込みニューラルネットワーク(CNN)によって抽出され、続いてCCF(Canonical correlation based Fusion)によって融合され、人間の行動認識の精度が向上する。
  論文  参考訳（メタデータ） (2020-08-22T03:46:12Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)

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。