論文の概要: Context-Aware Domain Adaptation in Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2003.04010v1
- Date: Mon, 9 Mar 2020 09:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 09:01:21.871609
- Title: Context-Aware Domain Adaptation in Semantic Segmentation
- Title(参考訳): セマンティックセグメンテーションにおけるコンテキスト対応ドメイン適応
- Authors: Jinyu Yang, Weizhi An, Chaochao Yan, Peilin Zhao, Junzhou Huang
- Abstract要約: セマンティックセグメンテーションにおける教師なしドメイン適応の問題を考える。
既存の手法は主に、敵対的学習を通じて、ドメイン不変の特徴(転送方法)を適応することに焦点を当てている。
本稿では,2つのドメイン間のコンテキスト依存性を捕捉し,転送可能なコンテキストに適応するための自己注意に基づく相互注意機構を提案する。
- 参考スコア(独自算出の注目度): 59.79348089240319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider the problem of unsupervised domain adaptation in
the semantic segmentation. There are two primary issues in this field, i.e.,
what and how to transfer domain knowledge across two domains. Existing methods
mainly focus on adapting domain-invariant features (what to transfer) through
adversarial learning (how to transfer). Context dependency is essential for
semantic segmentation, however, its transferability is still not well
understood. Furthermore, how to transfer contextual information across two
domains remains unexplored. Motivated by this, we propose a cross-attention
mechanism based on self-attention to capture context dependencies between two
domains and adapt transferable context. To achieve this goal, we design two
cross-domain attention modules to adapt context dependencies from both spatial
and channel views. Specifically, the spatial attention module captures local
feature dependencies between each position in the source and target image. The
channel attention module models semantic dependencies between each pair of
cross-domain channel maps. To adapt context dependencies, we further
selectively aggregate the context information from two domains. The superiority
of our method over existing state-of-the-art methods is empirically proved on
"GTA5 to Cityscapes" and "SYNTHIA to Cityscapes".
- Abstract(参考訳): 本稿ではセマンティックセグメンテーションにおける教師なしドメイン適応の問題について考察する。
この分野には2つの大きな問題がある。すなわち、ドメイン知識を2つのドメイン間で転送する方法である。
既存の手法は主に、逆学習(転送方法)を通じてドメイン不変の特徴(転送方法)を適応することに焦点を当てている。
セマンティックセグメンテーションにはコンテキスト依存性が不可欠だが、その伝達性はまだよく理解されていない。
さらに、2つの領域にまたがるコンテキスト情報の転送方法も未検討である。
そこで我々は,2つのドメイン間のコンテキスト依存性を捕捉し,伝達可能なコンテキストに適応するための自己注意に基づく相互注意機構を提案する。
この目的を達成するため、2つのクロスドメインアテンションモジュールを設計し、空間ビューとチャネルビューの両方からコンテキスト依存性を適合させる。
具体的には、spatial attentionモジュールは、ソースとターゲットイメージの各位置間の局所的な特徴依存性をキャプチャする。
チャネルアテンションモジュールは、各クロスドメインチャネルマップ間のセマンティック依存関係をモデル化する。
コンテキスト依存に適応するため、コンテキスト情報を2つの領域から選択的に集約する。
GTA5 to Cityscapes" と "SYNTHIA to Cityscapes" では,既存手法よりも優れた手法が実証的に証明されている。
関連論文リスト
- Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。
本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。
本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-23T12:58:20Z) - Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via
Graph Matching [14.876681993079062]
本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。
また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
論文 参考訳(メタデータ) (2022-08-09T02:30:15Z) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳(メタデータ) (2022-07-20T15:47:34Z) - DRANet: Disentangling Representation and Adaptation Networks for
Unsupervised Cross-Domain Adaptation [23.588766224169493]
dranetは画像表現を分離し、教師なしのクロスドメイン適応のために潜在空間に視覚属性を転送するネットワークアーキテクチャである。
私たちのモデルは、ソースイメージとターゲットイメージの両方からコンテンツ(シーン構造)とスタイル(芸術的外観)の個々の表現をエンコードします。
変換されたスタイルファクタを、各ドメインに指定された学習可能なウェイトと共にコンテンツファクタに組み込むことで、ドメインに適応する。
論文 参考訳(メタデータ) (2021-03-24T18:54:23Z) - Variational Interaction Information Maximization for Cross-domain
Disentanglement [34.08140408283391]
ドメイン間の絡み合いは、ドメイン不変表現とドメイン固有表現に分割された表現の学習の問題である。
複数の情報制約の共用目的として,ドメイン不変表現とドメイン固有表現の同時学習を行った。
ゼロショットスケッチに基づく画像検索タスクにおいて,本モデルが最新性能を達成することを示した。
論文 参考訳(メタデータ) (2020-12-08T07:11:35Z) - Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。
ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。
親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文 参考訳(メタデータ) (2020-09-26T10:28:11Z) - 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) - Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。
我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。
提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
論文 参考訳(メタデータ) (2020-03-18T04:43:25Z)
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。