多成分画像変換による深層ドメイン汎化

ドメイン適応（Domain Adaptation: DA）とドメイン一般化（Domain Generalization: DG）は、両者ともラベルのないデータセットにラベルを割り当てるタスクに関連する密接な方法です。これらのアプローチ間の唯一の違いは、DAがトレーニングフェーズ中にターゲットデータにアクセスできるのに対し、DGではトレーニングフェーズ中にはターゲットデータが全く見られないことです。DGのタスクは挑戦的であり、ターゲットサンプルに関する事前知識がないためです。DAの手法を単純にターゲットデータをトレーニングから除外することでDGに直接適用すると、特定のタスクにおいて性能が低下します。本論文では、ドメイン一般化の課題に対して2つの方法で取り組みます。最初のアプローチでは、生成対抗ネットワーク（Generative Adversarial Network: GAN）によって生成された合成データを利用した新しい深層ドメイン一般化アーキテクチャを提案します。生成画像と合成画像間の相違性は、最大平均相違性や相関合わせなどの既存のドメイン相違性指標を使用して最小化されます。第二のアプローチでは、トレーニングフェーズからターゲットデータを除外し、ソースデータをトレーニング用と検証用に分割し、検証データをDAにおけるターゲットデータとして扱うことでDA手法をDGシナリオに適用するプロトコルを導入します。私たちは4つのクロスドメインベンチマークデータセットで広範な実験を行いました。実験結果は、提案モデルが現在の最先端手法よりも優れた性能を示していることを示しています。