論文の概要: Multiple Domain Generalization Using Category Information Independent of Domain Differences

• arxiv url: http://arxiv.org/abs/2604.07175v1
• Date: Wed, 08 Apr 2026 15:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.597873
• Title: Multiple Domain Generalization Using Category Information Independent of Domain Differences
• Title（参考訳）: 領域差に依存しないカテゴリ情報を用いた多重ドメイン一般化
• Authors: Reiji Saito, Kazuhiro Hotta,
• Abstract要約: ドメインの一般化(Domain Generalization)は、トレーニングで使用されるデータセットとは異なる新しい環境やデータセット(見えないドメイン)に適用した場合、モデルを高い精度で維持することを可能にする技術である。 この問題は、撮像装置や染色方法などの環境条件の異なる領域の違いによるものである。 そこで本研究では,ドメインの違いに依存しないカテゴリ情報と,ソースドメイン固有の情報とを分離する手法を提案する。
• 参考スコア（独自算出の注目度）: 19.30816824251175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization is a technique aimed at enabling models to maintain high accuracy when applied to new environments or datasets (unseen domains) that differ from the datasets used in training. Generally, the accuracy of models trained on a specific dataset (source domain) often decreases significantly when evaluated on different datasets (target domain). This issue arises due to differences in domains caused by varying environmental conditions such as imaging equipment and staining methods. Therefore, we undertook two initiatives to perform segmentation that does not depend on domain differences. We propose a method that separates category information independent of domain differences from the information specific to the source domain. By using information independent of domain differences, our method enables learning the segmentation targets (e.g., blood vessels and cell nuclei). Although we extract independent information of domain differences, this cannot completely bridge the domain gap between training and test data. Therefore, we absorb the domain gap using the quantum vectors in Stochastically Quantized Variational AutoEncoder (SQ-VAE). In experiments, we evaluated our method on datasets for vascular segmentation and cell nucleus segmentation. Our methods improved the accuracy compared to conventional methods.
• Abstract（参考訳）: ドメインの一般化(Domain Generalization)は、トレーニングで使用されるデータセットとは異なる新しい環境やデータセット(見えないドメイン)に適用した場合、モデルを高い精度で維持することを可能にする技術である。 一般的に、特定のデータセット(ソースドメイン)でトレーニングされたモデルの精度は、異なるデータセット(ターゲットドメイン)で評価すると、しばしば大幅に低下する。 この問題は、撮像装置や染色方法などの環境条件の異なる領域の違いによるものである。 したがって、ドメインの違いに依存しないセグメンテーションを行うための2つのイニシアティブを実行しました。 そこで本研究では,ドメインの違いに依存しないカテゴリ情報と,ソースドメイン固有の情報とを分離する手法を提案する。 ドメインの違いに依存しない情報を利用することで,セグメント化ターゲット(血管,細胞核など)を学習することができる。 ドメインの違いに関する独立した情報を抽出するが、これは、トレーニングデータとテストデータの間のドメインギャップを完全に埋めることはできない。 したがって、SQ-VAE(Stochastically Quantized Variational AutoEncoder)の量子ベクトルを用いて領域ギャップを吸収する。 実験では,血管のセグメンテーションと細胞核セグメンテーションのデータセットについて検討した。 従来の手法に比べて精度が向上した。

関連論文リスト

• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• Domain Generalization via Gradient Surgery [5.38147998080533]
  現実のアプリケーションでは、マシンラーニングモデルは、トレーニングとテストドメイン間のデータ分散の変化があるシナリオに直面します。 本研究では,ドメインシフトのシナリオに現れる矛盾する勾配を特徴付けるとともに,新たな勾配合意戦略を考案する。
  論文  参考訳（メタデータ） (2021-08-03T16:49:25Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Domain Generalization in Biosignal Classification [37.70077538403524]
  本研究は,生体信号データの領域一般化を初めて研究したものである。 提案手法は4つの未確認領域に対して最大16%の精度向上を実現する。
  論文  参考訳（メタデータ） (2020-11-12T05:15:46Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)

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。