Domain Generalization with Correlated Style Uncertainty

要約

ドメイン一般化 (DG) アプローチは、より堅牢な深層学習モデルにつながるドメイン不変の特徴を抽出することを目的としています。
この点において、スタイル拡張は、合成新規ドメインに対する有益なスタイル特性を含むインスタンス固有の特徴統計を利用する強力な DG 手法です。
これは最先端の方法の 1 つですが、スタイル拡張に関するこれまでの研究では、個別の機能チャネル間の相互依存性が無視されているか、スタイル拡張を線形補間にのみ制限されていました。
これらの研究ギャップに対処するために、この研究では、スタイル統計空間における線形補間の限界を超え、同時に重要な相関情報を保存する、相関スタイル不確実性 (CSU) と呼ばれる新しい拡張アプローチを導入します。
私たちの手法の有効性は、PACS、Office-Home、Camelyon17 データセット、および Duke-Market1501 インスタンス検索タスクなど、さまざまなクロスドメイン コンピューター ビジョンおよび医療画像分類タスクに関する広範な実験を通じて確立されています。
結果は、既存の最先端技術と比較して顕著な改善マージンを示しています。
ソース コードは https://github.com/freshman97/CSU から入手できます。

要約(オリジナル)

Domain generalization (DG) approaches intend to extract domain invariant features that can lead to a more robust deep learning model. In this regard, style augmentation is a strong DG method taking advantage of instance-specific feature statistics containing informative style characteristics to synthetic novel domains. While it is one of the state-of-the-art methods, prior works on style augmentation have either disregarded the interdependence amongst distinct feature channels or have solely constrained style augmentation to linear interpolation. To address these research gaps, in this work, we introduce a novel augmentation approach, named Correlated Style Uncertainty (CSU), surpassing the limitations of linear interpolation in style statistic space and simultaneously preserving vital correlation information. Our method’s efficacy is established through extensive experimentation on diverse cross-domain computer vision and medical imaging classification tasks: PACS, Office-Home, and Camelyon17 datasets, and the Duke-Market1501 instance retrieval task. The results showcase a remarkable improvement margin over existing state-of-the-art techniques. The source code is available https://github.com/freshman97/CSU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google