論文の概要: Domain generalization and synthetic data in object detection: the enabler, the probe, and the gap

• arxiv url: http://arxiv.org/abs/2610.00030v1
• Date: Wed, 02 Sep 2026 12:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.318423
• Title: Domain generalization and synthetic data in object detection: the enabler, the probe, and the gap
• Title（参考訳）: 物体検出における領域一般化と合成データ:イネーブル、プローブ、ギャップ
• Abstract要約: ドメインの一般化は、分散シフトの下で堅牢なモデルを開発することを目的としています。 合成データは、多種多様な新しいサンプルを大規模に生成可能にすることで、DGをサポートするための有望なツールである。 合成画像に基づいて訓練されたモデルが実世界のデータにデプロイされる場合、特に困難な領域シフトである合成と現実のギャップについて論じる。
• 参考スコア（独自算出の注目度）: 0.7205273498521713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection models often experience performance degradation when deployed under distribution shifts, caused by for example changes in weather type, operational environment, or object appearance. Domain Generalization (DG) aims to develop models that remain robust under such shifts and generalize well to unseen domains. DG research specifically focused on object detection models is scarce, although these models face additional challenges around localization and multi-scale representations. Synthetic data is a promising tool to support in DG, by enabling large-scale generation of diverse new samples. In this paper, we present an object detection-centric review of DG and examine the role of synthetic data from three complementary perspectives. First, synthetic data acts as an enabler of DG through diversification and alignment strategies that aim to improve robustness to distribution shifts. Second, it serves as a probe that enables controlled experimentation to identify and understand failure modes. Third, we discuss the synthetic-to-real gap, a particularly challenging form of domain shift that arises when models trained on synthetic imagery are deployed on real-world data. Through reviewing these perspectives, we identify limitations of current DG approaches for object detection and argue that future research requires representation-aware methods that explicitly address both localization and classification under domain shift.
• Abstract（参考訳）: オブジェクト検出モデルは、例えば気象タイプ、運用環境、オブジェクトの外観の変化によって引き起こされる分散シフトの下でデプロイされた場合、パフォーマンス劣化を経験することが多い。 ドメイン一般化 (Domain Generalization, DG) は、そのようなシフトの下で頑健なモデルを開発し、目に見えない領域によく一般化することを目的としている。 オブジェクト検出モデルに特に焦点をあてたDG研究は少ないが、これらのモデルはローカライゼーションとマルチスケール表現に関するさらなる課題に直面している。 合成データは、多種多様な新しいサンプルを大規模に生成可能にすることで、DGをサポートするための有望なツールである。 本稿では、DGのオブジェクト検出中心のレビューを行い、3つの相補的な視点から合成データの役割について考察する。 第一に、合成データは分散シフトに対するロバスト性を改善するために、多様化とアライメント戦略を通じてDGのイネーブラーとして機能する。 第二に、制御された実験によって障害モードを特定し、理解することを可能にするプローブとして機能する。 第三に、合成画像で訓練されたモデルが実世界のデータにデプロイされたときに生じる、特に困難な領域シフトである合成と現実のギャップについて論じる。 これらの視点をレビューすることで、オブジェクト検出のための現在のDGアプローチの限界を特定し、将来の研究には、局所化とドメインシフトの下での分類の両方に明示的に対処する表現対応手法が必要であると論じる。

関連論文リスト

• Generalization Under Scrutiny: Cross-Domain Detection Progresses, Pitfalls, and Persistent Challenges [3.5942496616930435]
  クロスドメインオブジェクト検出(CDOD)は依然として重要な研究領域である。 既存の文献は断片化され続けており、ドメインシフトの根底にある構造的課題について統一的な視点が欠如している。 本調査はCDODを理解するための統一的なフレームワークの提供と,より堅牢な検出システムの開発を導くことを目的としている。
  論文  参考訳（メタデータ） (2026-04-09T13:21:25Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Benchmarking Object Detectors under Real-World Distribution Shifts in Satellite Imagery [9.723791642707738]
  ドメイン一般化(DG)は、トレーニング中にターゲットディストリビューションにアクセスすることなく、モデルがOf-Distribution(OOD)データに一般化できるようにすることによってギャップを埋めようとしている。 実世界の分布シフト下での最先端物体検出器の汎用性とロバスト性について検討する。 本稿では,3つの新しいDGベンチマークデータセットのスイートであるReal-World Distribution Shifts (RWDS)を紹介する。
  論文  参考訳（メタデータ） (2025-03-24T23:04:06Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Feature Based Methods in Domain Adaptation for Object Detection: A Review Paper [0.6437284704257459]
  ドメイン適応は、異なるデータ分布を持つターゲットドメインにデプロイされた場合、機械学習モデルの性能を向上させることを目的としている。 本総説では, 対人学習, 相違に基づく多分野, 教師学生, アンサンブル, ビジョン言語モデルなど, ドメイン適応のための高度な方法論を考察する。 特に合成ドメインシフトを含むシナリオにおいて、ラベル付きデータへの依存を最小限に抑える戦略に特に注意が払われる。
  論文  参考訳（メタデータ） (2024-12-23T06:34:23Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)

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。