論文の概要: Domain Generalization for Semantic Segmentation: A Survey

• arxiv url: http://arxiv.org/abs/2510.03540v1
• Date: Fri, 03 Oct 2025 22:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.100209
• Title: Domain Generalization for Semantic Segmentation: A Survey
• Title（参考訳）: セマンティックセグメンテーションのためのドメインの一般化:サーベイ
• Authors: Manuel Schwonberg, Hanno Gottschalk,
• Abstract要約: ドメイン一般化(DG)の動的領域が出現した。 DG法は、複数の異なる未知のターゲットドメインをまたいで一般化することを目的としている。 この調査は、領域の一般化研究を推進し、科学者に新たな研究方向を探求することを目的としている。
• 参考スコア（独自算出の注目度）: 3.2382279425212306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generalization of deep neural networks to unknown domains is a major challenge despite their tremendous progress in recent years. For this reason, the dynamic area of domain generalization (DG) has emerged. In contrast to unsupervised domain adaptation, there is no access to or knowledge about the target domains, and DG methods aim to generalize across multiple different unseen target domains. Domain generalization is particularly relevant for the task semantic segmentation which is used in several areas such as biomedicine or automated driving. This survey provides a comprehensive overview of the rapidly evolving topic of domain generalized semantic segmentation. We cluster and review existing approaches and identify the paradigm shift towards foundation-model-based domain generalization. Finally, we provide an extensive performance comparison of all approaches, which highlights the significant influence of foundation models on domain generalization. This survey seeks to advance domain generalization research and inspire scientists to explore new research directions.
• Abstract（参考訳）: 近年の進歩にもかかわらず、ディープニューラルネットワークを未知の領域に一般化することは大きな課題である。 このため、領域一般化(DG)の動的領域が出現した。 教師なしのドメイン適応とは対照的に、対象ドメインへのアクセスや知識はなく、DGメソッドは複数の異なる未知のターゲットドメインにまたがる一般化を目指している。 ドメインの一般化は、特に、バイオメディシンや自動運転などのいくつかの領域で使用されるタスクセマンティックセグメンテーションに関係している。 このサーベイは、ドメイン一般化セマンティックセグメンテーションの急速に進化するトピックの包括的概要を提供する。 既存のアプローチをクラスタ化し、レビューし、基礎モデルに基づくドメインの一般化に向けたパラダイムシフトを特定します。 最後に、すべてのアプローチの広範な性能比較を行い、基礎モデルがドメインの一般化に大きく影響していることを明らかにする。 この調査は、領域の一般化研究を推進し、科学者に新たな研究方向を探求することを目的としている。

関連論文リスト

• Domain Generalization for Person Re-identification: A Survey Towards Domain-Agnostic Person Matching [9.437150525177383]
  人物再識別(ReID)は、重複しないカメラビューで撮影された同一人物の画像を取得することを目的としている。 従来のReIDメソッドは、視点、背景、照明条件の変化によって引き起こされるドメインシフトによって、目に見えない領域に一般化できない。 近年,多様な環境における一般化を促進するための様々な手法が研究されている。
  論文  参考訳（メタデータ） (2025-06-14T09:15:00Z)
• CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation [85.22910555280414]
  CrossEarthはセマンティックセグメンテーションのためのビジョン基盤モデルである。 CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。 セマンティックセグメンテーションタスクのために,各領域,スペクトル帯域,プラットフォーム,気候の32のクロスドメイン設定からなるRSDGベンチマークをキュレートした。
  論文  参考訳（メタデータ） (2024-10-30T01:22:37Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• COLUMBUS: Automated Discovery of New Multi-Level Features for Domain Generalization via Knowledge Corruption [12.555885317622131]
  ここでは、ソースドメインの集合で訓練されたモデルが、データに触れることなく、目に見えないドメインでうまく一般化されることを期待する領域一般化問題に対処する。 コロンバス(Columbus)は、最も関連性の高い入力とマルチレベルのデータ表現を対象とする汚職によって、新機能の発見を強制する手法である。
  論文  参考訳（メタデータ） (2021-09-09T14:52:05Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)
• Generalizing to Unseen Domains: A Survey on Domain Generalization [59.16754307820612]
  ドメイン一般化は、1つまたは複数の異なるが関連するドメインが与えられる困難な設定を扱う。 目標は、目に見えないテストドメインに一般化できるモデルを学ぶことです。 本稿では,領域一般化の最近の進歩に対する最初のレビューを紹介する。
  論文  参考訳（メタデータ） (2021-03-02T06:04:11Z)

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。