論文の概要: DAugNet: Unsupervised, Multi-source, Multi-target, and Life-long Domain Adaptation for Semantic Segmentation of Satellite Images

• arxiv url: http://arxiv.org/abs/2005.06216v2
• Date: Sun, 7 Jun 2020 11:48:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 13:00:20.133076
• Title: DAugNet: Unsupervised, Multi-source, Multi-target, and Life-long Domain Adaptation for Semantic Segmentation of Satellite Images
• Title（参考訳）: DAugNet:衛星画像のセマンティックセグメンテーションのための教師なし、マルチソース、マルチターゲット、生涯ドメイン適応
• Authors: Onur Tasar, Alain Giros, Yuliya Tarabalka, Pierre Alliez, S\'ebastien Clerc
• Abstract要約: 衛星画像の教師なし・マルチソース・マルチターゲット・生涯領域適応のための新しいアプローチであるDAugNetを提案する。 浅層ネットワークであるデータ拡張器は、教師なしの方法で複数の衛星画像間のスタイル転送を行うことができる。 実験の結果,DAugNetは既存のアプローチよりも,新たな地理的位置への一般化が著しく進んでいることが確認された。
• 参考スコア（独自算出の注目度）: 6.481759968656933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domain adaptation of satellite images has recently gained an increasing attention to overcome the limited generalization abilities of machine learning models when segmenting large-scale satellite images. Most of the existing approaches seek for adapting the model from one domain to another. However, such single-source and single-target setting prevents the methods from being scalable solutions, since nowadays multiple source and target domains having different data distributions are usually available. Besides, the continuous proliferation of satellite images necessitates the classifiers to adapt to continuously increasing data. We propose a novel approach, coined DAugNet, for unsupervised, multi-source, multi-target, and life-long domain adaptation of satellite images. It consists of a classifier and a data augmentor. The data augmentor, which is a shallow network, is able to perform style transfer between multiple satellite images in an unsupervised manner, even when new data are added over the time. In each training iteration, it provides the classifier with diversified data, which makes the classifier robust to large data distribution difference between the domains. Our extensive experiments prove that DAugNet significantly better generalizes to new geographic locations than the existing approaches.
• Abstract（参考訳）: 衛星画像の領域適応は、大規模衛星画像のセグメント化における機械学習モデルの限定的な一般化能力を克服するために近年注目されている。 既存のアプローチのほとんどは、あるドメインから別のドメインへのモデルの適用を求めています。 しかし、この単一ソースおよび単一ターゲット設定は、現在、異なるデータ分布を持つ複数のソースおよびターゲットドメインが一般的に利用可能であるため、スケーラブルなソリューションであることを妨げる。 さらに、衛星画像の連続的な増殖は、分類器が継続的に増加するデータに対応する必要がある。 本稿では,衛星画像の教師なし,マルチソース,マルチターゲット,生涯ドメイン適応のためのdaugnetという新しい手法を提案する。 分類器とデータ拡張器で構成される。 浅層ネットワークであるデータ拡張器は、時間とともに新しいデータが加えられた場合でも、教師なしの方法で複数の衛星画像間のスタイル転送を行うことができる。 各トレーニングイテレーションでは、分類器に多様化データを提供し、ドメイン間の大きなデータ分散差に対して、分類器を堅牢にする。 我々の広範な実験により、daugnetは既存のアプローチよりも新しい地理的な場所にかなりよく一般化できることが証明された。

関連論文リスト

• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
  このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。 まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。 そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
  論文  参考訳（メタデータ） (2023-09-20T07:37:23Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• StandardGAN: Multi-source Domain Adaptation for Semantic Segmentation of Very High Resolution Satellite Images by Data Standardization [6.481759968656932]
  本研究では,マルチソース領域適応問題に対処する。 提案手法,すなわち,標準GANは,各ソースとターゲットドメインを標準化し,すべてのデータが類似したデータ分布を持つようにする。 1つは1つの国の複数の都市で構成され、もう1つは異なる国の複数の都市を含んでいる。
  論文  参考訳（メタデータ） (2020-04-14T10:16:50Z)
• 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。