論文の概要: Focus on Semantic Consistency for Cross-domain Crowd Understanding
- arxiv url: http://arxiv.org/abs/2002.08623v1
- Date: Thu, 20 Feb 2020 08:51:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 07:55:12.979430
- Title: Focus on Semantic Consistency for Cross-domain Crowd Understanding
- Title(参考訳): クロスドメイン理解のための意味的一貫性に注目して
- Authors: Tao Han, Junyu Gao, Yuan Yuan, Qi Wang
- Abstract要約: いくつかのドメイン適応アルゴリズムは、合成データでモデルをトレーニングすることでそれを解放しようとする。
その結果,背景領域における推定誤差が既存手法の性能を阻害していることが判明した。
本稿では,ドメイン適応手法を提案する。
- 参考スコア(独自算出の注目度): 34.560447389853614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For pixel-level crowd understanding, it is time-consuming and laborious in
data collection and annotation. Some domain adaptation algorithms try to
liberate it by training models with synthetic data, and the results in some
recent works have proved the feasibility. However, we found that a mass of
estimation errors in the background areas impede the performance of the
existing methods. In this paper, we propose a domain adaptation method to
eliminate it. According to the semantic consistency, a similar distribution in
deep layer's features of the synthetic and real-world crowd area, we first
introduce a semantic extractor to effectively distinguish crowd and background
in high-level semantic information. Besides, to further enhance the adapted
model, we adopt adversarial learning to align features in the semantic space.
Experiments on three representative real datasets show that the proposed domain
adaptation scheme achieves the state-of-the-art for cross-domain counting
problems.
- Abstract(参考訳): ピクセルレベルの理解では、データ収集とアノテーションに時間と労力がかかります。
一部のドメイン適応アルゴリズムは、合成データを用いてモデルをトレーニングすることでそれを解放しようとするが、最近の研究の結果は実現可能性を示している。
しかし,背景領域における推定誤差が既存手法の性能を阻害していることが判明した。
本稿では,それを除去するための領域適応法を提案する。
本研究は,合成および実世界の群集領域における深層の特徴の類似した分布であるセマンティック一貫性に基づき,まず,高レベルのセマンティック情報において,群集と背景を効果的に識別するセマンティック抽出器を導入する。
さらに,適応モデルをさらに強化するために,意味空間の機能を調整するために,逆学習を採用する。
3つの代表的な実データを用いた実験により,提案した領域適応方式がクロスドメインカウント問題に対する最先端の課題を実現することを示す。
関連論文リスト
- Prompting Diffusion Representations for Cross-Domain Semantic
Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。
本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文 参考訳(メタデータ) (2023-07-05T09:28:25Z) - Domain-Adaptive Full-Face Gaze Estimation via Novel-View-Synthesis and
Feature Disentanglement [16.75777362520317]
本稿では、教師なしドメイン適応のためのトレーニングデータ合成と視線推定モデルからなる効果的なモデルトレーニングパイプラインを提案する。
提案したデータ合成は、単一画像の3D再構成を利用して、3次元の顔形状データセットを必要とせずに、ソース領域から頭部ポーズの範囲を広げる。
単分子再構成合成学習データのみを用いたモデルでは,大きなラベル範囲を持つ実データに対して比較可能となることを示す。
論文 参考訳(メタデータ) (2023-05-25T15:15:03Z) - Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。
提案手法は、ドメイン適応のための最先端手法を一貫して上回る。
Cityscapesデータセットで60.2% mIoUを達成した。
論文 参考訳(メタデータ) (2022-04-18T16:50:46Z) - On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。
提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文 参考訳(メタデータ) (2022-03-08T09:57:48Z) - Unsupervised Domain Adaptation for Semantic Segmentation via Low-level
Edge Information Transfer [27.64947077788111]
セマンティックセグメンテーションのための教師なしドメイン適応は、合成データに基づいて訓練されたモデルを実際の画像に適応させることを目的としている。
従来の特徴レベルの対数学習手法は、高レベルの意味的特徴に適応するモデルのみを考慮していた。
本稿では,ドメイン間ギャップが小さい低レベルエッジ情報を明示的に利用して意味情報の伝達をガイドする試みについて紹介する。
論文 参考訳(メタデータ) (2021-09-18T11:51:31Z) - Content Disentanglement for Semantically Consistent
Synthetic-to-RealDomain Adaptation in Urban Traffic Scenes [39.38387505091648]
合成データ生成は、自動運転における新しい交通シナリオを生成する魅力的なアプローチです。
合成データだけで訓練されたディープラーニング技術は、実際のデータでテストされたときに劇的なパフォーマンス低下に遭遇します。
本稿では,合成データと実データの間で意味的に一貫性のあるドメイン適応を実現する,教師なしのエンドツーエンドドメイン適応ネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-05-18T17:42:26Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳(メタデータ) (2020-10-31T00:11:36Z) - Domain Adaptation in LiDAR Semantic Segmentation by Aligning Class
Distributions [9.581605678437032]
この研究は、LiDARセマンティックセグメンテーションモデルに対する教師なしドメイン適応の問題に対処する。
我々のアプローチは、現在の最先端のアプローチの上に新しいアイデアを結合し、新しい最先端の成果をもたらす。
論文 参考訳(メタデータ) (2020-10-23T08:52:15Z) - 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) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳(メタデータ) (2020-04-16T15:24:11Z)
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。