論文の概要: Learning Texture Invariant Representation for Domain Adaptation of Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2003.00867v2
• Date: Mon, 30 Mar 2020 06:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 05:23:20.086192
• Title: Learning Texture Invariant Representation for Domain Adaptation of Semantic Segmentation
• Title（参考訳）: 意味セグメンテーションの領域適応のための学習テクスチャ不変表現
• Authors: Myeongjin Kim, Hyeran Byun
• Abstract要約: 合成データで訓練されたモデルが実際のデータに一般化することは困難である。 我々はスタイル伝達アルゴリズムを用いて合成画像のテクスチャを多様性する。 我々は、ターゲットテクスチャを直接監視するために、自己学習でモデルを微調整する。
• 参考スコア（独自算出の注目度）: 19.617821473205694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since annotating pixel-level labels for semantic segmentation is laborious, leveraging synthetic data is an attractive solution. However, due to the domain gap between synthetic domain and real domain, it is challenging for a model trained with synthetic data to generalize to real data. In this paper, considering the fundamental difference between the two domains as the texture, we propose a method to adapt to the texture of the target domain. First, we diversity the texture of synthetic images using a style transfer algorithm. The various textures of generated images prevent a segmentation model from overfitting to one specific (synthetic) texture. Then, we fine-tune the model with self-training to get direct supervision of the target texture. Our results achieve state-of-the-art performance and we analyze the properties of the model trained on the stylized dataset with extensive experiments.
• Abstract（参考訳）: 意味セグメンテーションのためのピクセルレベルラベルの注釈は手間がかかるため、合成データを活用することは魅力的なソリューションである。 しかし、合成ドメインと実ドメインのドメインギャップのため、合成データで訓練されたモデルが実データに一般化することは困難である。 本稿では,2つのドメイン間の基本的差異をテクスチャとして考慮し,対象ドメインのテクスチャに適応する手法を提案する。 まず,スタイル転送アルゴリズムを用いて合成画像のテクスチャを多様化する。 生成された画像の様々なテクスチャは、セグメンテーションモデルが特定の(合成)テクスチャにオーバーフィットすることを防ぐ。 そして、ターゲットテクスチャを直接監視するために、自己学習でモデルを微調整する。 その結果,最先端のパフォーマンスを実現し,スタイライゼーションデータセット上でトレーニングされたモデルの特性を広範囲な実験により解析した。

関連論文リスト

• SynCDR : Training Cross Domain Retrieval Models with Synthetic Data [69.26882668598587]
  クロスドメイン検索では、同じ意味圏から2つの視覚領域にまたがるイメージを識別するためにモデルが必要である。 我々は、これらの欠落したカテゴリの例を満たすために、ドメイン間で合成データを生成する方法を示す。 最高のSynCDRモデルは、先行技術よりも最大15%パフォーマンスが向上します。
  論文  参考訳（メタデータ） (2023-12-31T08:06:53Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称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） (2023-08-28T14:43:36Z)
• Controllable Multi-domain Semantic Artwork Synthesis [17.536225601718687]
  4つのドメインから4万のアートワークの画像と対応するセマンティックラベルマップを含むデータセットを提案する。 まずランドスケープ写真からセマンティックマップを抽出してデータセットを生成する。 そこで我々は,高品質なアートワークを生成するための条件付きジェネレーティブ・アドリアル・ネットワーク(GAN)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-19T21:16:28Z)
• 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)
• Adversarial Semantic Hallucination for Domain Generalized Semantic Segmentation [50.14933487082085]
  本稿では,クラスワイド・幻覚モジュールとセマンティック・セグメンテーション・モジュールを組み合わせた対向幻覚手法を提案する。 対象とするドメインデータをトレーニングに使用できない場合に,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-06-08T07:07:45Z)
• PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency Training [4.336877104987131]
  教師なしドメイン適応はセマンティックセグメンテーションの有望なテクニックである。 対象領域整合性訓練の概念に基づく非監視領域適応のための新しいフレームワークを提案する。 私たちのアプローチはシンプルで、実装が簡単で、トレーニング時にメモリ効率が向上します。
  論文  参考訳（メタデータ） (2021-05-17T19:36:28Z)
• Semantically Adaptive Image-to-image Translation for Domain Adaptation of Semantic Segmentation [1.8275108630751844]
  街路シーンのセマンティックセグメンテーションにおけるドメイン適応の問題に対処する。 最先端のアプローチの多くは、結果が入力とセマンティックに一致していることを示しながら、ソースイメージの翻訳に重点を置いている。 画像のセマンティクスを利用して翻訳アルゴリズムを導くことも提案する。
  論文  参考訳（メタデータ） (2020-09-02T16:16:50Z)
• Domain Adaptation with Morphologic Segmentation [8.0698976170854]
  本稿では,任意の入力領域(実領域と合成領域)の画像を一様出力領域に変換するために,形態的セグメンテーションを用いた新しいドメイン適応フレームワークを提案する。 私たちのゴールは、複数のソースからのデータを共通の表現に統一する前処理のステップを確立することです。 都市景観のシミュレートと実データの4つのデータ集合上で, 定性的に定量的に評価し, 提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-06-16T17:06:02Z)
• Style-transfer GANs for bridging the domain gap in synthetic pose estimator training [8.508403388002133]
  画素レベルの画像変換に汎用的なGANモデルを採用することを提案する。 得られたモデルは、トレーニング中または推論時に、ドメインギャップをブリッジするために使用される。 ドメインランダム化の程度で訓練されたモデルと比較すると,モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2020-04-28T17:35:03Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。