論文の概要: Implicit Non-Causal Factors are Out via Dataset Splitting for Domain Generalization Object Detection

• arxiv url: http://arxiv.org/abs/2601.19127v1
• Date: Tue, 27 Jan 2026 02:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.143445
• Title: Implicit Non-Causal Factors are Out via Dataset Splitting for Domain Generalization Object Detection
• Title（参考訳）: 領域一般化対象検出のためのデータセット分割による非因果的要因の抽出
• Authors: Zhilong Zhang, Lei Zhang, Qing He, Shuyin Xia, Guoyin Wang, Fuxiang Huang,
• Abstract要約: オープンワールドオブジェクト検出は、ドメイン不変表現、すなわち暗黙の非因果的要因において重要な課題に直面している。 DAL(Domain Adversarial Learning)に基づくほとんどのドメイン一般化(DG)手法は、ドメイン不変情報を学習するために多くの注意を払っているが、潜在的な非因果的要因を見落としていることが多い。 1) ドメイン識別器に基づくDAL法は,各データセットに1つのドメインラベルのみを割り当てることによって,明示的な非因果因子のみを関連付けることができるという,極めて疎いドメインラベルの対象となる。
• 参考スコア（独自算出の注目度）: 42.27690662969569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open world object detection faces a significant challenge in domain-invariant representation, i.e., implicit non-causal factors. Most domain generalization (DG) methods based on domain adversarial learning (DAL) pay much attention to learn domain-invariant information, but often overlook the potential non-causal factors. We unveil two critical causes: 1) The domain discriminator-based DAL method is subject to the extremely sparse domain label, i.e., assigning only one domain label to each dataset, thus can only associate explicit non-causal factor, which is incredibly limited. 2) The non-causal factors, induced by unidentified data bias, are excessively implicit and cannot be solely discerned by conventional DAL paradigm. Based on these key findings, inspired by the Granular-Ball perspective, we propose an improved DAL method, i.e., GB-DAL. The proposed GB-DAL utilizes Prototype-based Granular Ball Splitting (PGBS) module to generate more dense domains from limited datasets, akin to more fine-grained granular balls, indicating more potential non-causal factors. Inspired by adversarial perturbations akin to non-causal factors, we propose a Simulated Non-causal Factors (SNF) module as a means of data augmentation to reduce the implicitness of non-causal factors, and facilitate the training of GB-DAL. Comparative experiments on numerous benchmarks demonstrate that our method achieves better generalization performance in novel circumstances.
• Abstract（参考訳）: オープンワールドオブジェクト検出は、ドメイン不変表現、すなわち暗黙の非因果的要因において重要な課題に直面している。 DAL(Domain Adversarial Learning)に基づくほとんどのドメイン一般化(DG)手法は、ドメイン不変情報を学習するために多くの注意を払っているが、潜在的な非因果的要因を見落としていることが多い。 私たちは2つの重大な原因を明らかにします。 1) ドメイン識別器に基づくDAL法は、非常に疎いドメインラベル、すなわち、各データセットに1つのドメインラベルを割り当てることによって、明白な非因果因子のみを関連付けることができる。 2)未同定データバイアスによって引き起こされる非因果的要因は過度に暗黙的であり,従来のDALパラダイムでのみ識別することはできない。 グラニュラー・ボールの視点に触発されたこれらの重要な知見に基づき,改良されたDAL法,すなわちGB-DALを提案する。 提案したGB-DALは、PGBS(Prototype-based Granular Ball Splitting)モジュールを使用して、限られたデータセットからより密度の高いドメインを生成する。 本研究では,非因果因子の暗黙性を低減し,GB-DALのトレーニングを容易にするため,非因果因子(SNF)モジュールをデータ拡張の手段として提案する。 多数のベンチマークの比較実験により,本手法が新たな状況下での一般化性能の向上を実証した。

関連論文リスト

• Dual-stream Feature Augmentation for Domain Generalization [16.495752769624872]
  2つの視点からいくつかのハードな特徴を構築することでDFA(Dual-stream Feature Augmentation)法を提案する。 提案手法は,領域一般化のための最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-09-07T03:41:05Z)
• Multi-view Adversarial Discriminator: Mine the Non-causal Factors for Object Detection in Unseen Domains [36.4342793435982]
  本稿では、ソースドメイン上での多視点対角訓練により、共通特徴から非因果因子を除去するアイデアを提案する。 マルチビュー逆微分器(MAD)に基づく領域一般化モデルを提案する。 我々のMADは6つのベンチマークで最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2023-04-06T09:20:28Z)
• Domain-aware Triplet loss in Domain Generalization [0.0]
  ドメインシフトは、テストとトレーニングデータの分布の相違によって引き起こされる。 ドメイン一般化のためのドメイン認識三重項損失を設計し、モデルが類似のセマンティックな特徴をクラスタリングするのを助ける。 本アルゴリズムは,埋め込み空間におけるドメイン情報を分散するように設計されている。
  論文  参考訳（メタデータ） (2023-03-01T14:02:01Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• 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)
• 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)
• Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。 シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。 本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T14:54:25Z)
• Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
  教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。 ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
  論文  参考訳（メタデータ） (2020-06-17T17:51:42Z)

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。