17日前

ドメイン感知型トリプレット損失によるドメイン一般化

Kaiyu Guo, Brian Lovell
ドメイン感知型トリプレット損失によるドメイン一般化
要約

深層学習の進展に伴い、物体認識分野では大きな進歩が見られつつあるものの、依然として深層学習モデルの性能に悪影響を及ぼす要因が複数存在する。そのうちの一つがドメインシフトであり、これは学習データとテストデータの分布の不一致に起因する。本論文では、多ドメインデータからの埋め込み空間の最適化を図るため、ドメイン一般化におけるコンパクトな特徴クラスタリングの問題に着目する。我々は、同様の意味的特徴をクラスタリングするとともに、ドメイン由来の特徴を分散させるという目的を実現するため、ドメインに敏感なトリプレット損失(domain-aware triplet loss)を提案する。従来の分布整合に注目した手法とは異なり、本手法は埋め込み空間においてドメイン情報を分散させることを設計の基本方針としている。このアイデアは、埋め込み特徴がドメイン情報に基づいてクラスタリング可能であるという仮定に基づくものであり、本論文では数学的および実証的に裏付けられている。さらに、ドメイン一般化における特徴クラスタリングの探求を通じて、メトリック学習損失の収束に影響を与える要因は、あらかじめ定義されたドメインよりも重要であることに着目した。この問題を解決するため、埋め込み空間の正規化を2つの方法で実施し、埋め込み特徴の内部共分散シフトを低減した。消去実験(ablation study)により、本手法の有効性が確認された。また、PACS、VLCS、Office-Homeといったベンチマークデータセット上での実験結果から、ドメイン差異に着目した既存手法と比較して、本手法が優れた性能を発揮することが示された。特に、RegnetY-16を用いた実験においては、ベンチマークデータセット上での最先端手法を大きく上回る結果が得られた。本研究のコードは、https://github.com/workerbcd/DCT にて公開される予定である。

ドメイン感知型トリプレット損失によるドメイン一般化 | 最新論文 | HyperAI超神経