Belangrijkste concepten
提案されたSETA方法は、ViTおよびMLPモデルの形状情報学習を向上させ、ドメイン一般化の性能を向上させる。
Samenvatting
ドメイン一般化(DG)におけるデータ拡張の重要性と、既存手法の限界に焦点を当てた論文。
CNNアーキテクチャに対する既存の拡張技術と、ViTやMLPモデルへの影響について調査。
提案されたSEmantic-aware Token Augmentation (SETA)方法が、形状情報学習を促進し、モデルの汎化能力を向上させることが示された。
Introduction
DGは異なるドメインから抽出したトレーニングデータでモデルを訓練し、未知のターゲットドメインに適用することを目指す。
既存DG手法では、主にドメイン間のスタイルシフトをシミュレートするためにチャンネルレベルスタイル摂動が導入されている。
Methodology
SETAはトークンレベル機能拡張であり、ローカルエッジパーティクルを導入して形状バイアスを促進する。
ETSモジュールはエッジマップを抽出し、エッジ関連トークンを選択する。
STSモジュールは形状変換サンプル生成用にトークンシャッフリング操作を行う。
Results
SETAはSwin-TおよびGFNet-H-Tiバックボーンで優れた性能を発揮し、他のSOTA手法よりも高い精度が得られた。
Statistieken
提案されたSETA方法はViTおよびMLPアーキテクチャで最先端のパフォーマンスを実現します。
Citaten
"提案されたSETA方法は形状情報学習を促進し、汎化リスクバウンドを低減します。"
"結果はSwin-TおよびGFNet-H-Tiバックボーンで有望な性能向上が観察されました。"