論文の概要: Granular Ball Guided Stable Latent Domain Discovery for Domain-General Crowd Counting

• arxiv url: http://arxiv.org/abs/2603.24106v1
• Date: Wed, 25 Mar 2026 09:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.220763
• Title: Granular Ball Guided Stable Latent Domain Discovery for Domain-General Crowd Counting
• Title（参考訳）: グラニュラーボールガイド付安定潜在ドメインディスカバリによる一般観客数生成
• Authors: Fan Chen, Shuyin Xia, Yi Wang, Xinbo Gao,
• Abstract要約: そこで本研究では,一般群集カウントのためのグラニュラーボールガイド型安定潜時ドメイン探索フレームワークを提案する。 具体的には、まずサンプルをコンパクトな局所粒状球体に整理し、次いで粒状球体を代表としてクラスタ化して擬似ドメインを得る。 この設計により、より安定で意味的に一貫性のある擬似ドメイン割り当てが得られる。
• 参考スコア（独自算出の注目度）: 59.55838360454893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-source domain generalization for crowd counting remains highly challenging because a single labeled source domain often contains heterogeneous latent domains, while test data may exhibit severe distribution shifts. A fundamental difficulty lies in stable latent domain discovery: directly performing flat clustering on evolving sample-level latent features is easily affected by feature noise, outliers, and representation drift, leading to unreliable pseudo-domain assignments and weakened domain-structured learning. To address this issue, we propose a granular ball guided stable latent domain discovery framework for domain-general crowd counting. Specifically, the proposed method first organizes samples into compact local granular balls and then clusters granular ball centers as representatives to obtain pseudo-domains, transforming direct sample-level clustering into a hierarchical representative-based clustering process. This design yields more stable and semantically consistent pseudo-domain assignments. Built upon the discovered latent domains, we further develop a two-branch learning framework that enhances transferable semantic representations via semantic codebook re-encoding while modeling domain-specific appearance variations through a style branch, thereby reducing semantic--style entanglement and improving generalization under domain shifts. Extensive experiments on ShanghaiTech A/B, UCF\_QNRF, and NWPU-Crowd under a strict no-adaptation protocol demonstrate that the proposed method consistently outperforms strong baselines, especially under large domain gaps.
• Abstract（参考訳）: 単一のラベル付きソースドメインは、しばしば不均一な潜在ドメインを含むが、テストデータは、重大な分布シフトを示す可能性があるため、クラウドカウントのための単一ソースドメインの一般化は非常に困難である。 安定した潜伏領域発見には根本的な困難がある: 進化するサンプルレベルの潜伏した特徴に対して、フラットクラスタリングを直接実行することは、特徴ノイズ、外れ値、表現のドリフトの影響を受けやすく、信頼できない擬似ドメイン割り当てやドメイン構造学習の弱化につながる。 この問題に対処するため、我々は、ドメイン一般の集団カウントのための粒度誘導型安定潜在ドメイン探索フレームワークを提案する。 具体的には、まずサンプルをコンパクトな局所粒状球体に整理し、次に粒状球体を集合して擬似ドメインを取得し、直接サンプルレベルのクラスタリングを階層的な代表型クラスタリングプロセスに変換する。 この設計により、より安定で意味的に一貫性のある擬似ドメイン割り当てが得られる。 検出された潜在ドメインをベースとした2分岐学習フレームワークをさらに開発し、セマンティック・コードブックによるセマンティック・コードブック再エンコーディングにより、ドメイン固有の外観変化をスタイルブランチでモデル化し、セマンティック・スタイルの絡み合いを減らし、ドメインシフトによる一般化を改善する。 厳密な非適応プロトコルの下での上海技術A/B, UCF\_QNRF, NWPU-Crowdの大規模な実験により, 提案手法は強いベースライン, 特に大きなドメインギャップにおいて一貫して優れることを示した。

関連論文リスト

• ConstStyle: Robust Domain Generalization with Unified Style Transformation [16.853951836297203]
  ドメイン・ジェネリゼーション(DG)は、ドメイン不変の機能に焦点をあてたり、より多様なデータを増やすことで、この問題に対処することを目的としている。 ConstStyleは、統一ドメインを利用して、ドメイン不変の特徴を捉え、理論解析でドメインギャップを埋める新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-07T08:40:19Z)
• What's in a Latent? Leveraging Diffusion Latent Space for Domain Generalization [10.079844840768054]
  ドメインの一般化は、新しい、目に見えないデータ分布に一般化できるモデルを開発することを目的としている。 モデルアーキテクチャと事前学習の目的が機能豊かさに与える影響について検討する。 我々のフレームワークは、最大4%以上のテスト精度向上により、未確認領域への一般化を改善する。
  論文  参考訳（メタデータ） (2025-03-09T17:29:01Z)
• Domain Expansion and Boundary Growth for Open-Set Single-Source Domain Generalization [70.02187124865627]
  オープンソースの単一ソースドメインの一般化は、単一のソースドメインを使用して、未知のターゲット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。 本稿では,領域拡大と境界成長に基づく新しい学習手法を提案する。 提案手法は,いくつかの領域横断画像分類データセットにおいて,大幅な改善と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） (2024-11-05T09:08:46Z)
• 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)
• 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)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• 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。