論文の概要: Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2004.08878v4
- Date: Thu, 19 Aug 2021 06:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 00:22:41.316119
- Title: Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic
Segmentation
- Title（参考訳）: 不確実性を考慮したクロスドメイン意味セグメンテーションの一貫性規則化
- Authors: Qianyu Zhou, Zhengyang Feng, Qiqi Gu, Guangliang Cheng, Xuequan Lu,
Jianping Shi, Lizhuang Ma
- Abstract要約: Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。
既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。
ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
- 参考スコア（独自算出の注目度）: 63.75774438196315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation (UDA) aims to adapt existing models of the
source domain to a new target domain with only unlabeled data. Most existing
methods suffer from noticeable negative transfer resulting from either the
error-prone discriminator network or the unreasonable teacher model. Besides,
the local regional consistency in UDA has been largely neglected, and only
extracting the global-level pattern information is not powerful enough for
feature alignment due to the abuse use of contexts. To this end, we propose an
uncertainty-aware consistency regularization method for cross-domain semantic
segmentation. Firstly, we introduce an uncertainty-guided consistency loss with
a dynamic weighting scheme by exploiting the latent uncertainty information of
the target samples. As such, more meaningful and reliable knowledge from the
teacher model can be transferred to the student model. We further reveal the
reason why the current consistency regularization is often unstable in
minimizing the domain discrepancy. Besides, we design a ClassDrop mask
generation algorithm to produce strong class-wise perturbations. Guided by this
mask, we propose a ClassOut strategy to realize effective regional consistency
in a fine-grained manner. Experiments demonstrate that our method outperforms
the state-of-the-art methods on four domain adaptation benchmarks, i.e., GTAV
$\rightarrow $ Cityscapes and SYNTHIA $\rightarrow $ Cityscapes, Virtual KITTI
$\rightarrow$ KITTI and Cityscapes $\rightarrow$ KITTI.
- Abstract（参考訳）: Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。
既存の手法のほとんどが、エラーの多い判別子ネットワークまたは不合理な教師モデルから生じる明らかな負の転送に苦しむ。
さらに,UDAにおける局所的な一貫性はほとんど無視されており,グローバルレベルのパターン情報のみを抽出することは,文脈の乱用による特徴調整に十分ではない。
そこで本研究では,クロスドメインセマンティクスセグメンテーションのための不確実性を考慮した一貫性規則化手法を提案する。
まず,対象試料の潜伏不確実性情報を利用した動的重み付け方式による不確実性誘導整合損失を提案する。
したがって、教師モデルからのより有意義で信頼できる知識を学生モデルに移すことができる。
さらに,現在の一貫性の規則化がドメインの不一致を最小限に抑える上で不安定である理由についても明らかにする。
さらに,クラスDropマスク生成アルゴリズムを設計し,強力なクラスワイド摂動を生成する。
このマスクによって導かれ, 効率的な地域整合性を実現するためのクラスアウト戦略を提案する。
gtav $\rightarrow $ cityscapes, synthia $\rightarrow $ cityscapes, virtual kitti $\rightarrow$ kitti, cityscapes $\rightarrow$ kittiである。
関連論文リスト
- Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。
本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。
本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-16T13:52:00Z) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - SAND-mask: An Enhanced Gradient Masking Strategy for the Discovery of
Invariances in Domain Generalization [7.253255826783766]
ネットワークの各端に流れる勾配の一致に基づいて連続的な重みを決定するマスキング戦略を提案する。
SAND-maskはドメイン一般化のためのDomainbedベンチマークで検証される。
論文 参考訳（メタデータ） (2021-06-04T05:20:54Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDA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への効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2021-05-05T11:55:53Z) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - Target Consistency for Domain Adaptation: when Robustness meets
Transferability [8.189696720657247]
学習不変表現(Learning Invariant Representations)は、ソースとUnsupervised Domain Adaptationのターゲットドメインの調整に成功している。
ソースドメインに保持されているにもかかわらず、クラスタの仮定がターゲットドメインで違反していることを示す。
我々の新しいアプローチは、画像分類とセグメンテーションベンチマークの両方において、大幅な改善をもたらす。
論文 参考訳（メタデータ） (2020-06-25T09:13:00Z)
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。