論文の概要: A Generalized Label Shift Perspective for Cross-Domain Gaze Estimation

• arxiv url: http://arxiv.org/abs/2505.13043v1
• Date: Mon, 19 May 2025 12:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.586863
• Title: A Generalized Label Shift Perspective for Cross-Domain Gaze Estimation
• Title（参考訳）: 一般化ラベルシフトによるクロスドメイン・ゲイズ推定
• Authors: Hao-Ran Yang, Xiaohui Chen, Chuan-Xian Ren,
• Abstract要約: クロスドメイン・ゲイズ推定(CDGE)は、現実世界のアプリケーションシナリオ向けに開発された。 一般化ラベルシフト(GLS)の視点をCDGEに導入する。 条件付き不変学習に重み付けされた音源分布を埋め込むために,条件付き演算子の不一致の確率的推定を導出する。
• 参考スコア（独自算出の注目度）: 27.20591585252664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aiming to generalize the well-trained gaze estimation model to new target domains, Cross-domain Gaze Estimation (CDGE) is developed for real-world application scenarios. Existing CDGE methods typically extract the domain-invariant features to mitigate domain shift in feature space, which is proved insufficient by Generalized Label Shift (GLS) theory. In this paper, we introduce a novel GLS perspective to CDGE and modelize the cross-domain problem by label and conditional shift problem. A GLS correction framework is presented and a feasible realization is proposed, in which a importance reweighting strategy based on truncated Gaussian distribution is introduced to overcome the continuity challenges in label shift correction. To embed the reweighted source distribution to conditional invariant learning, we further derive a probability-aware estimation of conditional operator discrepancy. Extensive experiments on standard CDGE tasks with different backbone models validate the superior generalization capability across domain and applicability on various models of proposed method.
• Abstract（参考訳）: 新しい対象領域によく訓練された視線推定モデルを一般化することを目的として,実世界のアプリケーションシナリオを対象としたクロスドメイン・ゲイズ推定(CDGE)を開発した。 既存のCDGE法は、通常、特徴空間における領域シフトを軽減するために、ドメイン不変の特徴を抽出するが、これは一般化ラベルシフト(GLS)理論によっては不十分である。 本稿では,CDGE に新たな GLS 視点を導入し,ラベルおよび条件シフト問題により領域間問題をモデル化する。 ラベルシフト補正における連続性の課題を克服するために,GLS補正フレームワークを提案し,ガウス分布に基づく重要再重み付け戦略を提案する。 条件付き不変学習に重み付けされた音源分布を埋め込むため、条件付き演算子の誤差を確率対応で推定する。 バックボーンモデルが異なる標準CDGEタスクに対する広範囲な実験は、ドメイン全体にわたる優れた一般化能力と、提案手法の様々なモデルに適用可能であることを検証している。

関連論文リスト

• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Cross Contrasting Feature Perturbation for Domain Generalization [11.863319505696184]
  ドメインの一般化は、目に見えないターゲットドメインをうまく一般化するソースドメインから堅牢なモデルを学ぶことを目的としています。 近年の研究では、ソースドメインに相補的な分布を多様化するための新しいドメインサンプルや特徴の生成に焦点が当てられている。 ドメインシフトをシミュレートするオンラインワンステージクロスコントラスト機能摂動フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-24T03:27:41Z)
• Mitigating Both Covariate and Conditional Shift for Domain Generalization [14.91361835243516]
  ドメイン一般化(Domain Generalization、DG)は、複数のソースドメインのモデルを学習することを目的としており、モデルが未確認のターゲットドメインに適切に一般化できることを願っている。 本稿では,視覚的アライメントと不確実性誘導的信念アンサンブル(VAUE)による分布変化に対処する新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2022-09-17T05:13:56Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Mapping conditional distributions for domain adaptation under generalized target shift [0.0]
  我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。 最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。 本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-26T14:25:07Z)
• Variational Disentanglement for Domain Generalization [68.85458536180437]
  本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。 VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
  論文  参考訳（メタデータ） (2021-09-13T09:55:32Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。