論文の概要: FDA: Fourier Domain Adaptation for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2004.05498v1
- Date: Sat, 11 Apr 2020 22:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:00:50.707222
- Title: FDA: Fourier Domain Adaptation for Semantic Segmentation
- Title（参考訳）: FDA: セマンティックセグメンテーションのためのフーリエドメイン適応
- Authors: Yanchao Yang and Stefano Soatto
- Abstract要約: 本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。
本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。
以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 82.4963423086097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe a simple method for unsupervised domain adaptation, whereby the
discrepancy between the source and target distributions is reduced by swapping
the low-frequency spectrum of one with the other. We illustrate the method in
semantic segmentation, where densely annotated images are aplenty in one domain
(synthetic data), but difficult to obtain in another (real images). Current
state-of-the-art methods are complex, some requiring adversarial optimization
to render the backbone of a neural network invariant to the discrete domain
selection variable. Our method does not require any training to perform the
domain alignment, just a simple Fourier Transform and its inverse. Despite its
simplicity, it achieves state-of-the-art performance in the current benchmarks,
when integrated into a relatively standard semantic segmentation model. Our
results indicate that even simple procedures can discount nuisance variability
in the data that more sophisticated methods struggle to learn away.
- Abstract（参考訳）: 本稿では,低周波スペクトルを他方と入れ替えることで,ソース分布とターゲット分布との差を低減させる,教師なし領域適応のための簡易な手法について述べる。
本手法は意味的セグメンテーションにおいて,ある領域(合成データ)において高密度な注釈付き画像が不快であるが,別の領域(実画像)では取得が困難であることを示す。
現在の最先端の手法は複雑であり、離散領域選択変数に不変なニューラルネットワークのバックボーンをレンダリングするために逆最適化を必要とするものもある。
我々の手法は、単純なフーリエ変換とその逆のドメインアライメントを実行するためのトレーニングを必要としない。
その単純さにもかかわらず、比較的標準的なセマンティックセグメンテーションモデルに統合されると、現在のベンチマークで最先端のパフォーマンスを達成する。
以上の結果から,単純な手続きであっても,より洗練された手法が学習に苦しむデータの迷惑変動を回避できることが示唆された。
関連論文リスト
- Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。
潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。
都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文 参考訳（メタデータ） (2022-12-07T18:16:17Z) - Semi-supervised domain adaptation with CycleGAN guided by a downstream
task loss [4.941630596191806]
ドメイン適応は、ラベル付けが高価でエラーを起こしやすいタスクであるため、非常に興味深い。
画像から画像へのアプローチは、入力のシフトを軽減するために使用することができる。
本稿では、画像から画像へのドメイン適応アプローチにおいて、GANの「タスク認識」バージョンを提案する。
論文 参考訳（メタデータ） (2022-08-18T13:13:30Z) - Feather-Light Fourier Domain Adaptation in Magnetic Resonance Imaging [2.024988885579277]
ディープラーニングモデルの一般化性は、列車(ソースドメイン)とテスト(ターゲットドメイン)セットの分布の違いによって大きく影響を受ける可能性がある。
テスト時間領域適応を実現するための,極めて軽量かつ透明なアプローチを提案する。
論文 参考訳（メタデータ） (2022-07-31T17:28:42Z) - Learning Instance-Specific Adaptation for Cross-Domain Segmentation [79.61787982393238]
クロスドメイン画像セグメンテーションのためのテスト時間適応法を提案する。
テスト時に新しい目に見えないインスタンスが与えられると、インスタンス固有のBatchNormキャリブレーションを実行することで、事前トレーニングされたモデルを適用します。
論文 参考訳（メタデータ） (2022-03-30T17:59:45Z) - 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) - Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive
Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。
私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文 参考訳（メタデータ） (2021-04-22T13:39:12Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳（メタデータ） (2020-10-31T00:11:36Z) - 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) - Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。
最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。
そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。
近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-05-26T07:32:09Z) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T15:24:11Z)
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。