論文の概要: Group-wise Scaling and Orthogonal Decomposition for Domain-Invariant Feature Extraction in Face Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2507.04006v1
• Date: Sat, 05 Jul 2025 11:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.971533
• Title: Group-wise Scaling and Orthogonal Decomposition for Domain-Invariant Feature Extraction in Face Anti-Spoofing
• Title（参考訳）: 対面アンチスプーフィングにおける領域不変特徴抽出のためのグループワイドスケーリングと直交分解
• Authors: Seungjin Jung, Kanghee Lee, Yonghyun Jeong, Haeun Noh, Jungmin Lee, Jongwon Choi,
• Abstract要約: 特徴直交分解(FOD)とグループワイドスケーリングリスク最小化(GS-RM)を通じて重みとバイアスを協調的に調整する新しいDGFASフレームワークを提案する。 提案手法は,最先端性能を実現し,精度を継続的に向上し,バイアス補正を低減し,未確認対象領域の安定性を向上する。
• 参考スコア（独自算出の注目度）: 7.902884193437407
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain Generalizable Face Anti-Spoofing (DGFAS) methods effectively capture domain-invariant features by aligning the directions (weights) of local decision boundaries across domains. However, the bias terms associated with these boundaries remain misaligned, leading to inconsistent classification thresholds and degraded performance on unseen target domains. To address this issue, we propose a novel DGFAS framework that jointly aligns weights and biases through Feature Orthogonal Decomposition (FOD) and Group-wise Scaling Risk Minimization (GS-RM). Specifically, GS-RM facilitates bias alignment by balancing group-wise losses across multiple domains. FOD employs the Gram-Schmidt orthogonalization process to decompose the feature space explicitly into domain-invariant and domain-specific subspaces. By enforcing orthogonality between domain-specific and domain-invariant features during training using domain labels, FOD ensures effective weight alignment across domains without negatively impacting bias alignment. Additionally, we introduce Expected Calibration Error (ECE) as a novel evaluation metric for quantitatively assessing the effectiveness of our method in aligning bias terms across domains. Extensive experiments on benchmark datasets demonstrate that our approach achieves state-of-the-art performance, consistently improving accuracy, reducing bias misalignment, and enhancing generalization stability on unseen target domains.
• Abstract（参考訳）: Domain Generalizable Face Anti-Spoofing (DGFAS)メソッドは、ドメイン間の局所的な決定境界の方向(重み)を調整することで、ドメイン不変の特徴を効果的にキャプチャする。 しかし、これらの境界に関連付けられたバイアス項は相反するままであり、不整合な分類しきい値と、目に見えない対象領域における劣化性能をもたらす。 この問題に対処するために,機能直交分解(FOD)とグループワイドスケーリングリスク最小化(GS-RM)を通じて重みとバイアスを協調的に調整する新しいDGFASフレームワークを提案する。 具体的には、GS-RMは複数のドメインにまたがるグループワイズ損失のバランスをとることでバイアスアライメントを促進する。 FODはGram-Schmidt直交化法を用いて、特徴空間をドメイン不変部分空間とドメイン固有部分空間に明示的に分解する。 ドメインラベルを用いたトレーニングにおいて、ドメイン固有の特徴とドメイン不変性の間の直交性を強制することにより、FODは、バイアスアライメントに悪影響を及ぼすことなく、ドメイン間の効果的な重み付けを保証する。 さらに,予測校正誤差(ECE)を,領域間でバイアス項を整合させる手法の有効性を定量的に評価するための新しい評価指標として導入する。 ベンチマークデータセットの大規模な実験により、我々の手法は最先端のパフォーマンスを達成し、精度を一貫して改善し、バイアスの調整を減らし、未確認のターゲットドメインの一般化安定性を向上することを示した。

関連論文リスト

• Moment Alignment: Unifying Gradient and Hessian Matching for Domain Generalization [13.021311628351423]
  ドメイン一般化(DG)は、目に見えないターゲットドメインによく一般化するモデルの開発を目指している。 DGにおける研究の1行は、一般化を強化するためにドメインレベルの勾配とヘッセンの整合性に焦点を当てている。 textbfClosed-Form textbfMoment textbfAlignment (CMA)を導入する。
  論文  参考訳（メタデータ） (2025-06-09T02:51:36Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• Deep Least Squares Alignment for Unsupervised Domain Adaptation [6.942003070153651]
  教師なしのドメイン適応はラベル付きソースドメインからの豊富な情報を活用してラベルなしのターゲットドメインをモデル化する。 線形モデルをパラメータ化することにより,2つの領域の潜在空間における分布を推定するために,最深部最小二乗アライメント(DLSA)を提案する。 拡張実験により,提案したDLSAモデルは領域分布の整合に有効であり,最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-11-03T13:23:06Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。