論文の概要: GIFT: Representation Geometry Matters for Single-Domain Generalized Object Detection
- arxiv url: http://arxiv.org/abs/2610.35374v1
- Date: Mon, 26 Oct 2026 12:58:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.933974
- Title: GIFT: Representation Geometry Matters for Single-Domain Generalized Object Detection
- Title（参考訳）: GIFT:単一領域一般化物体検出のための表現幾何学
- Abstract要約: Single-Domain Generalized Object Detection (S-DGOD) は、単一ソースドメインから、分散シフトの下で見えないドメインに一般化することを目的としている。
既存の取り組みは主に、目に見えないドメインのシミュレートや、ドメイン固有の要素の抑制に重点を置いている。
制約のない微調整は、ドメイン不変セマンティクスを符号化する事前訓練された表現の幾何学的構造を妨害することを示す。
- 参考スコア（独自算出の注目度）: 10.7361137923225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-Domain Generalized Object Detection (S-DGOD) aims to generalize from a single source domain to unseen domains under distribution shifts. Existing efforts mainly focus on simulating unseen domains or suppressing domain-specific factors. However, they largely overlook the intrinsic generalization capability embedded in Vision Foundation Models (VFMs). In this work, we show that unconstrained fine-tuning disrupts the geometric structure of pre-trained representations, which encodes domain-invariant semantics. Motivated by this, we propose Geometric-Invariance Fine-Tuning (GIFT), a geometric-aware fine-tuning method for VFMs. Specifically, we introduce a series of learnable Householder reflections to the pre-trained weights to encourage geometry-consistent adaptation under domain shift. In addition, we propose a lightweight channel-wise scaling to facilitate effective task-specific adaptation. Extensive experiments demonstrate that GIFT consistently outperforms state-of-the-art (SOTA) approaches on two S-DGOD benchmarks. Notably, by introducing fewer than 1% additional trainable parameters into the frozen backbone, the proposed method achieves improvements of +7.9% and +2.9% in mPC over the previous SOTA on the Cityscapes-C and Diverse Weather Dataset, respectively. This finding highlights that preserving representation geometry is crucial for robust cross-domain generalization, establishing GIFT as a principled and efficient solution to domain shift.
- Abstract（参考訳）: Single-Domain Generalized Object Detection (S-DGOD) は、単一ソースドメインから、分散シフトの下で見えないドメインに一般化することを目的としている。
既存の取り組みは主に、目に見えないドメインのシミュレートや、ドメイン固有の要素の抑制に重点を置いている。
しかし、彼らはヴィジョン・ファンデーション・モデル(VFM)に組み込まれた本質的な一般化能力を概ね見落としている。
本研究では,制約のない微調整が,ドメイン不変セマンティクスを符号化した事前学習表現の幾何学的構造を乱すことを示す。
そこで本研究では,VFMの幾何学的微調整法であるGeometric-Invariance Fine-Tuning (GIFT)を提案する。
具体的には,事前学習した重みに対する学習可能な家庭内リフレクションを導入し,ドメインシフトの下での幾何学的整合性を奨励する。
さらに,効率的なタスク固有適応を容易にする軽量なチャネルワイドスケーリングを提案する。
大規模な実験により、GIFTは2つのS-DGODベンチマークにおける最先端(SOTA)アプローチを一貫して上回っていることが示された。
特に、凍結したバックボーンにトレーニング可能なパラメータを1%以下導入することにより、Cityscapes-C と Diverse Weather Dataset の以前の SOTA と比較して、mPC の +7.9% と +2.9% の改善を実現している。
この発見は、表現幾何学の保存が堅牢なクロスドメイン一般化に不可欠であることを強調し、GIFTをドメインシフトの原理的かつ効率的な解として確立した。
関連論文リスト
- Prompt-Driven Simulation with Feature Perturbation for Cross-Domain Few-Shot Object Detection [8.13477193884434]
PSP-FSODは、プロンプト駆動型ドメインシミュレーションと機能摂動正規化を統合した、原則化されたフレームワークである。
PSP-FSODは高品質なドメイン多様性の監視を行い、ドメイン不変表現を学習する。
論文 参考訳（メタデータ） (2026-08-02T16:11:16Z) - Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。
既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。
本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
論文 参考訳（メタデータ） (2026-07-08T09:27:15Z) - DOME: Learning Transferable Domain Variables from Sparse Supervision for Test-Time Adaptation [61.70497741321102]
テスト時適応は、未ラベルのストリーミングデータのみを使用して、テストドメインのシフトにモデルを合わせることを目的としている。
既存のほとんどの手法は、実世界の領域シフトの多次元的およびサンプル固有の性質を無視して、単一の大域領域分布を暗黙的に推論する。
本稿では,サンプルのドメインをゼロショットで明示的にモデル化するドメインエンコーダDOMEを提案する。
論文 参考訳（メタデータ） (2026-06-02T03:24:03Z) - FOUND: Fourier-based von Mises Distribution for Robust Single Domain Generalization in Object Detection [46.14695068852788]
オブジェクト検出のための単一ドメインの一般化は、対象ドメインに効果的に一般化できる単一のソースドメイン上でモデルをトレーニングすることを目的としている。
本稿では、von Mises-Fisher(vMF)分布とフーリエ変換をCLIP誘導パイプラインに統合することにより、オブジェクト検出を強化する新しいフレームワークを提案する。
提案手法はCLIPのセマンティックアライメントの利点を保全するだけでなく,機能多様性とドメイン間の構造的整合性も強化する。
論文 参考訳（メタデータ） (2025-11-13T14:28:10Z) - 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) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
ドメイン不変表現学習は、ドメイン一般化の強力な方法である。
従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。
本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
論文 参考訳（メタデータ） (2024-11-22T12:06:24Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T08:06:50Z) - Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。
私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。
この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-27T07:36:32Z) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳（メタデータ） (2020-03-19T13:30:45Z)
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。