論文の概要: Class-invariant Test-Time Augmentation for Domain Generalization

• arxiv url: http://arxiv.org/abs/2509.14420v1
• Date: Wed, 17 Sep 2025 20:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.970915
• Title: Class-invariant Test-Time Augmentation for Domain Generalization
• Title（参考訳）: ドメイン一般化のためのクラス不変テスト時間拡張
• Authors: Zhicheng Lin, Xiaolin Wu, Xi Zhang,
• Abstract要約: ドメインの一般化は、モデルが見えないドメインに一般化するのに役立ちます。 従来のアプローチのほとんどは、マルチドメインのトレーニングや、計算集約的なテスト時間適応に依存していた。 テスト時間の軽量化という,補完的な戦略を提案する。
• 参考スコア（独自算出の注目度）: 16.001258672237267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep models often suffer significant performance degradation under distribution shifts. Domain generalization (DG) seeks to mitigate this challenge by enabling models to generalize to unseen domains. Most prior approaches rely on multi-domain training or computationally intensive test-time adaptation. In contrast, we propose a complementary strategy: lightweight test-time augmentation. Specifically, we develop a novel Class-Invariant Test-Time Augmentation (CI-TTA) technique. The idea is to generate multiple variants of each input image through elastic and grid deformations that nevertheless belong to the same class as the original input. Their predictions are aggregated through a confidence-guided filtering scheme that remove unreliable outputs, ensuring the final decision relies on consistent and trustworthy cues. Extensive Experiments on PACS and Office-Home datasets demonstrate consistent gains across different DG algorithms and backbones, highlighting the effectiveness and generality of our approach.
• Abstract（参考訳）: ディープモデルは、分散シフト時にしばしば顕著な性能低下を被る。 ドメイン一般化(DG)は、モデルが見えないドメインに一般化できるようにすることで、この課題を軽減することを目指している。 従来のアプローチのほとんどは、マルチドメインのトレーニングや、計算集約的なテスト時間適応に依存していた。 対照的に、我々は、軽量なテスト時間拡張という補完的な戦略を提案する。 具体的には,新しいCI-TTA(Class-Invariant Test-Time Augmentation)技術を開発した。 このアイデアは、元の入力と同じクラスに属する弾性変形と格子変形によって、各入力画像の複数の変種を生成することである。 彼らの予測は信頼できない出力を除去し、最終的な決定が一貫性と信頼性のあるキューに依存することを保証する信頼誘導フィルタリングスキームを通じて集約される。 PACSとOffice-Homeデータセットの大規模な実験は、異なるDGアルゴリズムとバックボーン間で一貫した利得を示し、このアプローチの有効性と汎用性を強調している。

関連論文リスト

• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• IT$^3$: Idempotent Test-Time Training [95.78053599609044]
  ディープラーニングモデルは、トレーニングデータとテストデータの間の分散シフトのために、現実世界の環境にデプロイする際に苦労することが多い。 Idempotent Test-Time Training (IT$3$) は、現在のテストインスタンスのみを使用して、分散シフトへのオンザフライ適応を可能にする新しいアプローチである。 この結果から,イデオポテンスはドメインやアーキテクチャをまたいで一般化するテスト時間適応の普遍的原理を提供すると考えられる。
  論文  参考訳（メタデータ） (2024-10-05T15:39:51Z)
• Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
  Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。 本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。 テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
  論文  参考訳（メタデータ） (2024-03-28T11:50:23Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• 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)
• Improving Diversity with Adversarially Learned Transformations for Domain Generalization [81.26960899663601]
  本稿では、ニューラルネットワークを用いた逆学習変換(ALT)を用いて、可塑性かつハードな画像変換をモデル化する新しいフレームワークを提案する。 我々は、ALTが既存の多様性モジュールと自然に連携して、ソースドメインの大規模変換によって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-06-15T18:05:24Z)
• 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)

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。