論文の概要: Cross-domain Detection via Graph-induced Prototype Alignment

• arxiv url: http://arxiv.org/abs/2003.12849v1
• Date: Sat, 28 Mar 2020 17:46:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 23:56:05.399267
• Title: Cross-domain Detection via Graph-induced Prototype Alignment
• Title（参考訳）: グラフ誘起プロトタイプアライメントによるクロスドメイン検出
• Authors: Minghao Xu, Hang Wang, Bingbing Ni, Qi Tian, Wenjun Zhang
• Abstract要約: カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
• 参考スコア（独自算出の注目度）: 114.8952035552862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying the knowledge of an object detector trained on a specific domain directly onto a new domain is risky, as the gap between two domains can severely degrade model's performance. Furthermore, since different instances commonly embody distinct modal information in object detection scenario, the feature alignment of source and target domain is hard to be realized. To mitigate these problems, we propose a Graph-induced Prototype Alignment (GPA) framework to seek for category-level domain alignment via elaborate prototype representations. In the nutshell, more precise instance-level features are obtained through graph-based information propagation among region proposals, and, on such basis, the prototype representation of each class is derived for category-level domain alignment. In addition, in order to alleviate the negative effect of class-imbalance on domain adaptation, we design a Class-reweighted Contrastive Loss to harmonize the adaptation training process. Combining with Faster R-CNN, the proposed framework conducts feature alignment in a two-stage manner. Comprehensive results on various cross-domain detection tasks demonstrate that our approach outperforms existing methods with a remarkable margin. Our code is available at https://github.com/ChrisAllenMing/GPA-detection.
• Abstract（参考訳）: 特定のドメイン上でトレーニングされたオブジェクト検出器の知識を新しいドメインに直接適用することは、モデルの性能を著しく低下させる可能性があるため、リスクが高い。 さらに、オブジェクト検出シナリオにおいて、異なるインスタンスが個別のモーダル情報を具現化しているため、ソースとターゲットドメインの特徴アライメントを実現することは困難である。 これらの問題を緩和するために,グラフ誘導型プロトタイプアライメント(GPA)フレームワークを提案し,詳細なプロトタイプ表現を用いてカテゴリレベルのドメインアライメントを求める。 言い換えると、より正確なインスタンスレベルの特徴は、地域提案間のグラフベースの情報伝達によって得られ、それに基づいて、各クラスのプロトタイプ表現がカテゴリレベルのドメインアライメントのために導出される。 さらに,クラス不均衡がドメイン適応に与える影響を緩和するために,クラス重み付けされたコントラスト損失を設計し,適応訓練プロセスを調和させる。 提案するフレームワークは,Faster R-CNNと組み合わせて,2段階的な機能アライメントを行う。 様々なクロスドメイン検出タスクの包括的結果から,提案手法が既存の手法よりも有意なマージンで優れていることが分かる。 私たちのコードはhttps://github.com/ChrisAllenMing/GPA-detectionで利用可能です。

関連論文リスト

• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• 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)
• 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)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Exploring Categorical Regularization for Domain Adaptive Object Detection [27.348272177261233]
  ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。 一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。 提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
  論文  参考訳（メタデータ） (2020-03-20T08:53:10Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。