論文の概要: Learning to adapt class-specific features across domains for semantic
segmentation
- arxiv url: http://arxiv.org/abs/2001.08311v1
- Date: Wed, 22 Jan 2020 23:51:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:49:35.440201
- Title: Learning to adapt class-specific features across domains for semantic
segmentation
- Title(参考訳): セマンティックセグメンテーションのためのドメイン間でクラス固有の特徴を適応させる学習
- Authors: Mikel Menta, Adriana Romero, Joost van de Weijer
- Abstract要約: 本論文では,クラス情報毎に考慮し,ドメイン間の特徴を適応させることを学習する新しいアーキテクチャを提案する。
我々は最近導入されたStarGANアーキテクチャを画像翻訳のバックボーンとして採用している。
- 参考スコア(独自算出の注目度): 36.36210909649728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in unsupervised domain adaptation have shown the
effectiveness of adversarial training to adapt features across domains,
endowing neural networks with the capability of being tested on a target domain
without requiring any training annotations in this domain. The great majority
of existing domain adaptation models rely on image translation networks, which
often contain a huge amount of domain-specific parameters. Additionally, the
feature adaptation step often happens globally, at a coarse level, hindering
its applicability to tasks such as semantic segmentation, where details are of
crucial importance to provide sharp results. In this thesis, we present a novel
architecture, which learns to adapt features across domains by taking into
account per class information. To that aim, we design a conditional pixel-wise
discriminator network, whose output is conditioned on the segmentation masks.
Moreover, following recent advances in image translation, we adopt the recently
introduced StarGAN architecture as image translation backbone, since it is able
to perform translations across multiple domains by means of a single generator
network. Preliminary results on a segmentation task designed to assess the
effectiveness of the proposed approach highlight the potential of the model,
improving upon strong baselines and alternative designs.
- Abstract(参考訳): 教師なしドメイン適応の最近の進歩は、このドメインでトレーニングアノテーションを必要とせず、ターゲットドメイン上でテストできるニューラルネットワークを付与し、ドメインにまたがる特徴を適応するための敵のトレーニングの有効性を示している。
既存のドメイン適応モデルの大部分は画像翻訳ネットワークに依存しており、多くのドメイン固有のパラメータを含むことが多い。
さらに、機能適応ステップは、大まかなレベルで、しばしばグローバルに発生するため、セマンティックセグメンテーションのようなタスクへの適用性が阻害される。
本論文では,クラス情報毎に考慮し,ドメイン間の特徴を適応させる新しいアーキテクチャを提案する。
そこで我々は,セグメンテーションマスクに出力を条件付けした条件付き画素ワイド判別器ネットワークを設計する。
さらに,最近の画像翻訳の進歩に伴い,複数の領域にまたがる翻訳を単一のジェネレータネットワークを用いて行うことができるため,最近導入されたStarGANアーキテクチャを画像翻訳バックボーンとして採用する。
提案手法の有効性を評価するためのセグメンテーションタスクの予備的な結果として,モデルの可能性を強調し,強力なベースラインと代替設計を改善する。
関連論文リスト
- Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with
Point Supervision via Active Selection [81.703478548177]
セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。
教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。
以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。
アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-01T01:52:28Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive
Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。
私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文 参考訳(メタデータ) (2021-04-22T13:39:12Z) - Towards Recognizing New Semantic Concepts in New Visual Domains [9.701036831490768]
我々は、これまで見えない視覚領域で機能し、新しいセマンティックな概念を認識できるディープアーキテクチャを設計することが重要であると論じている。
論文の第1部では、深層モデルが新しいビジュアルドメインに一般化できるように、異なるソリューションについて記述する。
第2部では、事前訓練された深層モデルの知識を、元のトレーニングセットにアクセスすることなく、新しい意味概念に拡張する方法を示す。
論文 参考訳(メタデータ) (2020-12-16T16:23:40Z) - Domain Adaptation on Semantic Segmentation for Aerial Images [3.946367634483361]
セマンティックイメージセグメンテーションにおける領域シフトに対処する、新しい教師なしドメイン適応フレームワークを提案する。
また、ターゲット領域にエントロピー最小化を適用し、高信頼な予測を生成する。
様々な指標を用いて最先端手法の改善を示す。
論文 参考訳(メタデータ) (2020-12-03T20:58:27Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳(メタデータ) (2020-09-30T04:17:48Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-06-23T14:47:41Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳(メタデータ) (2020-03-29T09:03:23Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-09T19:00:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。