論文の概要: Beyond Overfitting: Doubly Adaptive Dropout for Generalizable AU Detection

• arxiv url: http://arxiv.org/abs/2503.08974v1
• Date: Wed, 12 Mar 2025 00:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:26.587963
• Title: Beyond Overfitting: Doubly Adaptive Dropout for Generalizable AU Detection
• Title（参考訳）: オーバーフィッティングを超えて: 一般化可能なAU検出のための2つの適応型ドロップアウト
• Authors: Yong Li, Yi Ren, Xuesong Niu, Yi Ding, Xiu-Shen Wei, Cuntai Guan,
• Abstract要約: クロスドメインAU検出のための二重適応型ドロップアウト手法を提案する。 これは、畳み込み特徴写像と領域シフトに対する空間トークンの堅牢性を高める。 提案手法は、クロスドメインAU検出において、既存の手法よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 39.15570521777825
• License:
• Abstract: Facial Action Units (AUs) are essential for conveying psychological states and emotional expressions. While automatic AU detection systems leveraging deep learning have progressed, they often overfit to specific datasets and individual features, limiting their cross-domain applicability. To overcome these limitations, we propose a doubly adaptive dropout approach for cross-domain AU detection, which enhances the robustness of convolutional feature maps and spatial tokens against domain shifts. This approach includes a Channel Drop Unit (CD-Unit) and a Token Drop Unit (TD-Unit), which work together to reduce domain-specific noise at both the channel and token levels. The CD-Unit preserves domain-agnostic local patterns in feature maps, while the TD-Unit helps the model identify AU relationships generalizable across domains. An auxiliary domain classifier, integrated at each layer, guides the selective omission of domain-sensitive features. To prevent excessive feature dropout, a progressive training strategy is used, allowing for selective exclusion of sensitive features at any model layer. Our method consistently outperforms existing techniques in cross-domain AU detection, as demonstrated by extensive experimental evaluations. Visualizations of attention maps also highlight clear and meaningful patterns related to both individual and combined AUs, further validating the approach's effectiveness.
• Abstract（参考訳）: 顔行動単位(英: Facial Action Units, AUs)は、心理状態や感情表現を伝えるために必要である。 ディープラーニングを活用した自動AU検出システムは進歩しているが、特定のデータセットや個々の機能に過度に適合し、ドメイン間の適用性を制限していることが多い。 これらの制限を克服するため、ドメイン間AU検出のための二重適応型ドロップアウト手法を提案し、畳み込み特徴写像と領域シフトに対する空間トークンの堅牢性を高める。 このアプローチにはChannel Drop Unit(CD-Unit)とToken Drop Unit(TD-Unit)が組み込まれている。 CD-Unitは特徴マップ内のドメインに依存しない局所パターンを保存し、TD-Unitはモデルがドメイン間で一般化可能なAU関係を特定するのに役立つ。 各層に一体化された補助ドメイン分類器は、ドメイン感受性の特徴の選択的欠落を誘導する。 過剰な機能ドロップアウトを防止するため、プログレッシブトレーニング戦略が使用され、任意のモデル層で機密機能を選択的に排除することができる。 提案手法は, クロスドメインAU検出における既存の手法よりも優れており, 広範に実験的に評価されている。 注意マップの可視化はまた、個々のAUと組み合わせたAUの両方に関連する明確で意味のあるパターンを強調し、アプローチの有効性をさらに検証する。

関連論文リスト

• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• 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)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)

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。