論文の概要: Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2003.08040v3
- Date: Tue, 9 Jun 2020 17:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 09:49:06.996554
- Title: Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation
- Title（参考訳）: Stuff と Things の差分処理:意味的セグメンテーションのための単純な教師なし領域適応法
- Authors: Zhonghao Wang, Mo Yu, Yunchao Wei, Rogerio Feris, Jinjun Xiong,
Wen-mei Hwu, Thomas S. Huang, Humphrey Shi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 105.96860932833759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of unsupervised domain adaptation for semantic
segmentation by easing the domain shift between the source domain (synthetic
data) and the target domain (real data) in this work. State-of-the-art
approaches prove that performing semantic-level alignment is helpful in
tackling the domain shift issue. Based on the observation that stuff categories
usually share similar appearances across images of different domains while
things (i.e. object instances) have much larger differences, we propose to
improve the semantic-level alignment with different strategies for stuff
regions and for things: 1) for the stuff categories, we generate feature
representation for each class and conduct the alignment operation from the
target domain to the source domain; 2) for the thing categories, we generate
feature representation for each individual instance and encourage the instance
in the target domain to align with the most similar one in the source domain.
In this way, the individual differences within thing categories will also be
considered to alleviate over-alignment. In addition to our proposed method, we
further reveal the reason why the current adversarial loss is often unstable in
minimizing the distribution discrepancy and show that our method can help ease
this issue by minimizing the most similar stuff and instance features between
the source and the target domains. We conduct extensive experiments in two
unsupervised domain adaptation tasks, i.e. GTA5 to Cityscapes and SYNTHIA to
Cityscapes, and achieve the new state-of-the-art segmentation accuracy.
- Abstract（参考訳）: 本研究では、ソースドメイン(合成データ)とターゲットドメイン(実データ)とのドメインシフトを緩和することにより、意味的セグメンテーションのための教師なしドメイン適応の問題を考える。
最先端のアプローチは、セマンティクスレベル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ます。
カテゴリが異なるドメインの画像間で類似した外観を共有するのが一般的であるのに対して、オブジェクトインスタンス(オブジェクトインスタンス)の方がはるかに大きな違いがあるという観察に基づいて、私たちは、領域や物事に対する異なる戦略によるセマンティックレベルのアライメントを改善することを提案する。
1)各クラスの特徴表現を作成し,対象ドメインからソースドメインへのアライメント操作を行う。
2) 対象のカテゴリについては,各インスタンスの特徴表現を生成し,対象ドメイン内のインスタンスに対して,ソースドメインの最も類似したインスタンスと整合するように促します。
このようにして、モノのカテゴリ内の個々の違いも過度な無視を緩和すると考えられる。
提案手法に加えて, 分布の不一致を最小限に抑えるために, 現在の逆損失が不安定である理由をさらに明らかにし, ソースとターゲットドメイン間の類似点やインスタンス特徴を最小化することにより, この問題を緩和できることを示す。
我々は,2つの非教師なし領域適応タスク,すなわち都市景観へのgta5,都市景観へのシンセシアの広範な実験を行い,新たな最先端セグメンテーション精度を達成する。
関連論文リスト
- WUDA: Unsupervised Domain Adaptation Based on Weak Source Domain Labels [5.718326013810649]
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(UDA)は、細かなソースドメインラベルを持つクロスドメイン問題に対処する。
本稿では、弱ソースドメインラベルに基づく教師なしドメイン適応という新しいタスクを定義する。
論文 参考訳（メタデータ） (2022-10-05T08:28:57Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:38:37Z) - Birds of A Feather Flock Together: Category-Divergence Guidance for
Domain Adaptive Segmentation [35.63920597305474]
教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。
本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。
各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
論文 参考訳（メタデータ） (2022-04-05T11:17:19Z) - Multi-Level Features Contrastive Networks for Unsupervised Domain
Adaptation [6.934905764152813]
教師なしのドメイン適応は、ラベル付きソースドメインからモデルをトレーニングし、ラベルなしのターゲットドメインで予測することを目的としています。
既存のメソッドは2つのドメインをドメインレベルに直接アライメントするか、あるいは深い機能に基づいてクラスレベルのドメインアライメントを実行する傾向があります。
本稿では,クラスレベルのアライメント手法について述べる。
論文 参考訳（メタデータ） (2021-09-14T09:23:27Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳（メタデータ） (2021-06-10T06:32:30Z) - More Separable and Easier to Segment: A Cluster Alignment Method for
Cross-Domain Semantic Segmentation [41.81843755299211]
上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。
具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。
GTA5とSynthiaで行った実験は,本法の有効性を実証した。
論文 参考訳（メタデータ） (2021-05-07T10:24:18Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-15T11:36:21Z) - 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) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z) - 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)
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。