論文の概要: Handling new target classes in semantic segmentation with domain adaptation

• arxiv url: http://arxiv.org/abs/2004.01130v2
• Date: Tue, 16 Feb 2021 13:08:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 12:56:53.591965
• Title: Handling new target classes in semantic segmentation with domain adaptation
• Title（参考訳）: ドメイン適応による意味セグメンテーションにおける新しいターゲットクラス処理
• Authors: Maxime Bucher, Tuan-Hung Vu, Matthieu Cord, and Patrick P\'erez
• Abstract要約: 対象領域における"バウンダリレス"適応を実現するためのフレームワークを提案する。 これは、ソースとターゲットのドメインギャップを埋めるために、新しいアーキテクチャと専用の学習スキームに依存しています。 私たちのフレームワークは、ベースラインをかなりのマージンで上回ります。
• 参考スコア（独自算出の注目度）: 34.11498666008825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we define and address a novel domain adaptation (DA) problem in semantic scene segmentation, where the target domain not only exhibits a data distribution shift w.r.t. the source domain, but also includes novel classes that do not exist in the latter. Different to "open-set" and "universal domain adaptation", which both regard all objects from new classes as "unknown", we aim at explicit test-time prediction for these new classes. To reach this goal, we propose a framework that leverages domain adaptation and zero-shot learning techniques to enable "boundless" adaptation in the target domain. It relies on a novel architecture, along with a dedicated learning scheme, to bridge the source-target domain gap while learning how to map new classes' labels to relevant visual representations. The performance is further improved using self-training on target-domain pseudo-labels. For validation, we consider different domain adaptation set-ups, namely synthetic-2-real, country-2-country and dataset-2-dataset. Our framework outperforms the baselines by significant margins, setting competitive standards on all benchmarks for the new task. Code and models are available at https://github.com/valeoai/buda.
• Abstract（参考訳）: 本研究では,対象ドメインがソースドメインにデータ分散シフトを示すだけでなく,後者に存在しない新しいクラスも含んでいるセマンティックシーンセグメンテーションにおいて,新たなドメイン適応(DA)問題を定義し,対処する。 新しいクラスから全てのオブジェクトを「未知」とみなす「オープンセット」や「ユニバーサルドメイン適応」とは異なり、これらの新しいクラスに対するテスト時の明示的な予測を目指している。 この目標を達成するために,ドメイン適応とゼロショット学習技術を活用して,対象ドメインにおける"バウンドレス"適応を実現するフレームワークを提案する。 新たなクラスのラベルを関連する視覚的表現にマップする方法を学習しながら、ソースとターゲットのドメインギャップを橋渡しするために、新しいアーキテクチャと専用の学習スキームに依存している。 さらに、ターゲットドメインの擬似ラベルの自己学習により性能が向上する。 検証のために、synthetic-2-real、 country-2-country、dataset-2-datasetという異なるドメイン適応セットを考える。 当社のフレームワークは,新たなタスクのすべてのベンチマークにおいて,競争基準を設定することによって,ベースラインを大幅なマージンで上回ります。 コードとモデルはhttps://github.com/valeoai/budaで入手できる。

関連論文リスト

• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification [46.47734465505251]
  クロスドメインテキスト分類は、ラベル付きデータを持たないターゲットドメインにモデルを適応させることを目的としている。 クロスドメインテキスト分類のための2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-18T06:21:40Z)
• Few-Shot Object Detection in Unseen Domains [4.36080478413575]
  Few-shot Object Detection (FSOD)は、データ制限のある新しいオブジェクトクラスを学ぶために近年発展している。 そこで本稿では,ドメイン固有の情報をすべて考慮し,新しいクラスを数枚追加する手法を提案する。 T-LESSデータセットを用いた実験により,提案手法はドメインギャップを著しく緩和することに成功した。
  論文  参考訳（メタデータ） (2022-04-11T13:16:41Z)
• Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
  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(UDA)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-08T13:20:09Z)
• 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)
• Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
  本稿では,画像レベルの弱いラベルを持つ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ための新しいフレームワークを提案する。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:33:57Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。