単一ソースドメイン汎化における検証と学習のための分布シフトの作成

単一ソースドメイン一般化は、ソースドメインでモデルを学習し、未見のターゲットドメインに展開することを目指しています。ソースドメインデータのみへのアクセスが制限されることにより、2つの主要な課題が生じます。すなわち、一般化可能なモデルをどのように訓練するか、そしてその一般化能力をどのように検証するかです。トレーニング分布での検証はモデルの一般化能力を正確に反映せず、テスト分布での検証は避けるべき不適切な実践です。本研究では、ソースドメインの画像を包括的な変換リストを使用して変形することで、独立した検証セットを構築しました。これにより、ターゲットドメインにおける潜在的な分布シフトの広い範囲がカバーされます。我々は複数の手法と様々なデータセットにおいて、検証性能とテスト性能との間に高い相関性があることを示しました。提案された検証方法は、手法選択や学習率調整に使用される場合、標準的な検証方法に対してそれぞれ15.4%または1.6%の相対的な精度向上を達成します。さらに、形状バイアスを強化したエッジマップを通じて形状バイアスを増加させる新しい手法群を導入します。訓練中に変換から恩恵を受けつつも検証セットの独立性を保つために、k分割交差検証プロセスが設計されました。これにより訓練と検証で使用される変換タイプが分離されます。提案された手法群の中で拡張された検証セットで最高の性能を達成する手法が選択され、これは様々な標準ベンチマークで最先端の性能を達成しています。コード: https://github.com/NikosEfth/crafting-shifts