論文の概要: SRasP: Self-Reorientation Adversarial Style Perturbation for Cross-Domain Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2603.05135v1
• Date: Thu, 05 Mar 2026 13:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.230195
• Title: SRasP: Self-Reorientation Adversarial Style Perturbation for Cross-Domain Few-Shot Learning
• Title（参考訳）: SRasP: クロスドメインFew-Shot学習のための自己回帰型対向型摂動
• Authors: Wenqian Li, Pengfei Fang, Hui Xue,
• Abstract要約: Cross-Domain Few-Shot Learningは、見知らぬソースドメインから見つからないターゲットドメインに知識を転送することを目的としている。 既存のスタイルベースの摂動法はドメインシフトを緩和するが、しばしば不安定性や収束性に悩まされる。 本稿では,自己回帰型アンダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン(SRasP)と呼ばれる,新たな作物
• 参考スコア（独自算出の注目度）: 29.002306547742347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Few-Shot Learning (CD-FSL) aims to transfer knowledge from a seen source domain to unseen target domains, serving as a key benchmark for evaluating the robustness and transferability of models. Existing style-based perturbation methods mitigate domain shift but often suffer from gradient instability and convergence to sharp minima.To address these limitations, we propose a novel crop-global style perturbation network, termed Self-Reorientation Adversarial \underline{S}tyle \underline{P}erturbation (SRasP). Specifically, SRasP leverages global semantic guidance to identify incoherent crops, followed by reorienting and aggregating the style gradients of these crops with the global style gradients within one image. Furthermore, we propose a novel multi-objective optimization function to maximize visual discrepancy while enforcing semantic consistency among global, crop, and adversarial features. Applying the stabilized perturbations during training encourages convergence toward flatter and more transferable solutions, improving generalization to unseen domains. Extensive experiments are conducted on multiple CD-FSL benchmarks, demonstrating consistent improvements over state-of-the-art methods.
• Abstract（参考訳）: Cross-Domain Few-Shot Learning (CD-FSL) は、見つからないソースドメインから見えないターゲットドメインに知識を移行することを目的としており、モデルの堅牢性と転送可能性を評価するための重要なベンチマークとして機能する。 既存のスタイルベースの摂動法は、ドメインシフトを緩和するが、しばしば勾配不安定と鋭いミニマへの収束に悩まされるが、これらの制限に対処するため、我々は、新しい作物-グローバルスタイル摂動ネットワーク、"Self-Reorientation Adversarial \underline{S}tyle \underline{P}erturbation (SRasP)"を提案する。 具体的には、SRasPはグローバルなセマンティックガイダンスを活用して、不整合作物を識別し、続いて、これらの作物のスタイル勾配を1つの画像内でグローバルなスタイル勾配で並べ直し、集約する。 さらに,大域的,作物的,敵対的特徴間の意味的一貫性を保ちながら,視覚的相違を最大化するための新しい多目的最適化関数を提案する。 トレーニング中に安定化された摂動を適用することで、より平坦でより伝達可能な解への収束が促進され、目に見えない領域への一般化が向上する。 複数のCD-FSLベンチマークで大規模な実験を行い、最先端手法に対する一貫した改善を実証した。

関連論文リスト

• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• SVasP: Self-Versatility Adversarial Style Perturbation for Cross-Domain Few-Shot Learning [21.588320570295835]
  Cross-Domain Few-Shot Learningは、見知らぬソースドメインから見つからないターゲットドメインに知識を移行することを目的としている。 近年の研究では、異なるドメイン間のドメインギャップを橋渡しするための視覚的スタイルの利用に焦点が当てられている。 本稿では,アンダーラインtextbfSelf-underlinetextbfVersatility と呼ばれる新しい作物群集スタイルを提案する。
  論文  参考訳（メタデータ） (2024-12-12T08:58:42Z)
• From Deterministic to Probabilistic: A Novel Perspective on Domain Generalization for Medical Image Segmentation [1.93061220186624]
  本稿では,確率論的モデリングとコントラスト学習によってデータ表現品質を向上させる革新的なフレームワークを提案する。 具体的には、決定論的特徴と不確実性モデリングを組み合わせることで、包括的特徴分布を捉える。 提案手法はセグメンテーション性能を著しく向上させ,医用画像セグメンテーションにおける領域一般化問題に対する堅牢な解決策を提供する。
  論文  参考訳（メタデータ） (2024-12-07T07:41:04Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Gradient Alignment for Cross-Domain Face Anti-Spoofing [26.517887637150594]
  本稿では,新たな学習目標であるGAC-FASを紹介する。 従来のシャープネス対応最小化器とは異なり、GAC-FASは各領域の上昇点を特定し、一般化勾配の更新を制御する。 ドメイン間FASデータセットの厳密な検証によりGAC-FASの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T02:57:44Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。