論文の概要: Domain Generalization through Attenuation of Domain-Specific Information
- arxiv url: http://arxiv.org/abs/2504.06781v1
- Date: Wed, 09 Apr 2025 11:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 13:06:16.271852
- Title: Domain Generalization through Attenuation of Domain-Specific Information
- Title（参考訳）: ドメイン固有情報の減衰によるドメインの一般化
- Authors: Reiji Saito, Kazuhiro Hotta,
- Abstract要約: 我々は、ドメイン独立(DI)とドメイン特化情報(ADSI)の減衰という新しい評価基準を提案する。
DIはドメイン固有の情報の存在を測定する。
ADSIはバターワースフィルタを使用して、ドメイン固有の情報を含む画像の低周波成分を除去する。
- 参考スコア（独自算出の注目度）: 4.32776344138537
- License:
- Abstract: In this paper, we propose a new evaluation metric called Domain Independence (DI) and Attenuation of Domain-Specific Information (ADSI) which is specifically designed for domain-generalized semantic segmentation in automotive images. DI measures the presence of domain-specific information: a lower DI value indicates strong domain dependence, while a higher DI value suggests greater domain independence. This makes it roughly where domain-specific information exists and up to which frequency range it is present. As a result, it becomes possible to effectively suppress only the regions in the image that contain domain-specific information, enabling feature extraction independent of the domain. ADSI uses a Butterworth filter to remove the low-frequency components of images that contain inherent domain-specific information such as sensor characteristics and lighting conditions. However, since low-frequency components also contain important information such as color, we should not remove them completely. Thus, a scalar value (ranging from 0 to 1) is multiplied by the low-frequency components to retain essential information. This helps the model learn more domain-independent features. In experiments, GTA5 (synthetic dataset) was used as training images, and a real-world dataset was used for evaluation, and the proposed method outperformed conventional approaches. Similarly, in experiments that the Cityscapes (real-world dataset) was used for training and various environment datasets such as rain and nighttime were used for evaluation, the proposed method demonstrated its robustness under nighttime conditions.
- Abstract（参考訳）: 本稿では,自動車画像におけるドメイン一般化セマンティックセマンティックセグメンテーションに特化して設計された,ドメイン独立(DI)とドメイン特化情報(ADSI)の減衰という新しい評価指標を提案する。
DIはドメイン固有の情報の存在を測定します。 低いDI値は強いドメイン依存を示し、高いDI値はより大きなドメイン独立を示します。
これにより、ドメイン固有の情報が存在する場所と、それがどの周波数範囲に存在するかが大まかになる。
その結果、ドメイン固有の情報を含む画像内の領域のみを効果的に抑制することができ、ドメインに依存しない特徴抽出が可能となる。
ADSIは、センサーの特性や照明条件などの固有のドメイン固有の情報を含む画像の低周波成分を取り除くためにバターワースフィルタを使用する。
しかし、低周波成分は色などの重要な情報も含んでいるため、それらを完全に取り除くべきではない。
これにより、スカラー値(0〜1の範囲)を低周波成分に乗じて本質的な情報を保持する。
これにより、モデルがよりドメインに依存しない機能を学ぶのに役立つ。
実験では、GTA5 (synthetic dataset) をトレーニング画像として使用し、実世界のデータセットを用いて評価を行い、提案手法は従来の手法よりも優れていた。
同様に、都市景観(現実世界のデータセット)をトレーニングに利用し、雨や夜間などの様々な環境データセットを評価に利用した実験において、提案手法は夜間条件下でのロバスト性を実証した。
関連論文リスト
- S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。
シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。
いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
論文 参考訳（メタデータ） (2024-08-11T15:58:24Z) - Domain Similarity-Perceived Label Assignment for Domain Generalized
Underwater Object Detection [18.39732229138302]
本稿ではドメイン類似性-知覚ラベル割り当て(DSP)の概念を紹介する。
ドメイン固有のデータ拡張技術により、水中クロスドメインオブジェクト検出ベンチマークS-UODAC 2020で最先端の結果を得た。
論文 参考訳（メタデータ） (2023-12-20T05:45:56Z) - Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。
本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。
また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文 参考訳（メタデータ） (2023-06-16T18:56:44Z) - Spectral Transfer Guided Active Domain Adaptation For Thermal Imagery [1.911678487931003]
本稿では,可視スペクトルと熱画像量を組み合わせた有効領域適応手法を提案する。
我々は、大規模可視スペクトルデータセットMS-COCOをソースドメインとして、熱データセットFLIR ADASをターゲットドメインとして使用した。
提案手法は最先端のアクティブドメイン適応法より優れている。
論文 参考訳（メタデータ） (2023-04-14T10:04:42Z) - Towards Generalization on Real Domain for Single Image Dehazing via
Meta-Learning [41.99615673136883]
合成画像から得られた内部情報は、通常、実際の領域では準最適である。
本稿では,メタラーニングに基づくドメイン一般化フレームワークを提案する。
提案手法は,最先端の競争相手よりも優れた一般化能力を有する。
論文 参考訳（メタデータ） (2022-11-14T07:04:00Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Disentangled Unsupervised Image Translation via Restricted Information
Flow [61.44666983942965]
多くの最先端のメソッドは、所望の共有vs固有の分割をアーキテクチャにハードコードする。
帰納的アーキテクチャバイアスに依存しない新しい手法を提案する。
提案手法は,2つの合成データセットと1つの自然なデータセットに対して一貫した高い操作精度を実現する。
論文 参考訳（メタデータ） (2021-11-26T00:27:54Z) - 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) - 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) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-06-23T14:47:41Z)
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。