Core Concepts
単一ソースドメイン汎化における不確実性を活用した対照的学習の効果的な手法を提案する。
Abstract
単一ドメイン汎化の重要性と目的について説明。
CUDGNet(Contrastive Uncertainty Domain Generalisation Network)の新規モデル導入。
ドメイン内変数表現の強化と効率的な不確実性推定方法に焦点。
2つのSSDGデータセットで行われた実験結果が、従来手法を最大7.08%上回ることを示す。
フレームワークの主要貢献として、対抗的データ拡張やスタイル転送を活用したドメイン拡張手法が挙げられる。
1. INTRODUCTION
単一ソースドメイン汎化における多様性利用の重要性。
SSDGアプローチで必要なドメイン内変数表現について。
2. MATERIALS AND METHOD
CUDGNetフレームワーク全体像と訓練目標に関する詳細説明。
3. EXPERIMENTAL RESULTS
CIFAR-10-CおよびPACSデータセットで他手法を上回るCUDGNetの評価結果。
不確実性推定方法が高速かつ効果的であることを示す比較結果。
4. CONCLUSION
CUDGNetフレームワークがどのようにドメイン汎化能力と説明可能性を向上させるか。
Stats
CIFAR corruptionsでは我々の手法は最大7.08%まで改善されました。
Quotes
"Progressive domain expansion network for single domain generalization." - Lei Li et al.
"Learning to diversify for single domain generalization." - Zijian Wang et al.
"Domain generalization by solving jigsaw puzzles." - Fabio M Carlucci et al.