論文の概要: Unsupervised Domain Adaptation in Semantic Segmentation: a Review
- arxiv url: http://arxiv.org/abs/2005.10876v1
- Date: Thu, 21 May 2020 20:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 23:21:36.227798
- Title: Unsupervised Domain Adaptation in Semantic Segmentation: a Review
- Title（参考訳）: 意味セグメンテーションにおける教師なし領域適応:レビュー
- Authors: Marco Toldo, Andrea Maracani, Umberto Michieli and Pietro Zanuttigh
- Abstract要約: 本研究の目的は, セマンティックセグメンテーションのための深層ネットワークのUnsupervised Domain Adaptation (UDA) の最近の進歩について概説することである。
- 参考スコア（独自算出の注目度）: 22.366638308792734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aim of this paper is to give an overview of the recent advancements in
the Unsupervised Domain Adaptation (UDA) of deep networks for semantic
segmentation. This task is attracting a wide interest, since semantic
segmentation models require a huge amount of labeled data and the lack of data
fitting specific requirements is the main limitation in the deployment of these
techniques. This problem has been recently explored and has rapidly grown with
a large number of ad-hoc approaches. This motivates us to build a comprehensive
overview of the proposed methodologies and to provide a clear categorization.
In this paper, we start by introducing the problem, its formulation and the
various scenarios that can be considered. Then, we introduce the different
levels at which adaptation strategies may be applied: namely, at the input
(image) level, at the internal features representation and at the output level.
Furthermore, we present a detailed overview of the literature in the field,
dividing previous methods based on the following (non mutually exclusive)
categories: adversarial learning, generative-based, analysis of the classifier
discrepancies, self-teaching, entropy minimization, curriculum learning and
multi-task learning. Novel research directions are also briefly introduced to
give a hint of interesting open problems in the field. Finally, a comparison of
the performance of the various methods in the widely used autonomous driving
scenario is presented.
- Abstract（参考訳）: 本研究の目的は, セマンティックセグメンテーションのための深層ネットワークのUnsupervised Domain Adaptation (UDA) の最近の進歩について概説することである。
セマンティクスのセグメンテーションモデルには大量のラベル付きデータが必要であり、特定の要件に適合するデータがないことが、これらの技術のデプロイメントにおける主要な制限である。
この問題は近年研究され、多くのアドホックなアプローチで急速に成長している。
これは、提案手法の包括的な概要を構築し、明確な分類を提供することを動機付ける。
本稿では,問題とその定式化,および考慮すべき様々なシナリオを紹介することから始める。
次に,適応戦略が適用可能な異なるレベル,すなわち,入力(画像)レベル,内部特徴表現,出力レベルについて紹介する。
さらに,その分野における文献の詳細な概観を概観し,逆学習,生成型学習,分類器の判別分析,自己指導,エントロピー最小化,カリキュラム学習,マルチタスク学習という,(非排他的)カテゴリーに基づいて従来の手法を分割した。
この分野で興味深いオープン問題のヒントを提供するために、新しい研究の方向性も簡単に紹介されている。
最後に、広く使用されている自動運転シナリオにおける各種手法の性能の比較を行った。
関連論文リスト
- A Bottom-Up Approach to Class-Agnostic Image Segmentation [4.086366531569003]
本稿では,クラスに依存しないセグメンテーション問題に対処するためのボトムアップの新たな定式化を提案する。
我々は、その特徴空間の射影球に直接ネットワークを監督する。
ボトムアップの定式化は、クラスベースのセグメンテーション用に設計されたデータセットで訓練された場合でも、例外的な一般化能力を示す。
論文 参考訳（メタデータ） (2024-09-20T17:56:02Z) - Visual Prompt Selection for In-Context Learning Segmentation [77.15684360470152]
本稿では,サンプル選択戦略の再考と改善に焦点をあてる。
まず、ICLに基づくセグメンテーションモデルが異なる文脈に敏感であることを示す。
さらに、経験的証拠は、文脈的プロンプトの多様性がセグメンテーションを導く上で重要な役割を担っていることを示している。
論文 参考訳（メタデータ） (2024-07-14T15:02:54Z) - Detecting Statements in Text: A Domain-Agnostic Few-Shot Solution [1.3654846342364308]
最先端のアプローチは通常、作成にコストがかかる大規模な注釈付きデータセット上の微調整モデルを含む。
本稿では,クレームに基づくテキスト分類タスクの共通パラダイムとして,定性的で多目的な少ショット学習手法の提案とリリースを行う。
本手法は,気候変動対策,トピック/スタンス分類,うつ病関連症状検出の3つの課題の文脈で説明する。
論文 参考訳（メタデータ） (2024-05-09T12:03:38Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2023-07-25T13:35:45Z) - Semantic Image Segmentation: Two Decades of Research [22.533249554532322]
本書はセマンティックイメージセグメンテーション(SiS)分野における20年間の研究成果をまとめたものである。
本稿では,近年のトランスフォーマーの利用動向を含む,最近のディープラーニング手法の概要を紹介する。
我々は、マルチドメイン学習、ドメイン一般化、ドメインインクリメンタル学習、テスト時間適応、ソースフリードメイン適応といった新しいトレンドを明らかにした。
論文 参考訳（メタデータ） (2023-02-13T14:11:05Z) - A Survey on Label-efficient Deep Segmentation: Bridging the Gap between
Weak Supervision and Dense Prediction [115.9169213834476]
本稿では,ラベル効率の高いセグメンテーション手法について概説する。
まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。
次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
論文 参考訳（メタデータ） (2022-07-04T06:21:01Z) - Unsupervised Domain Adaptation for Semantic Image Segmentation: a
Comprehensive Survey [24.622211579286127]
この調査は、この信じられないほど急速に成長している分野の5年間をまとめたものです。
最も重要なセマンティックセグメンテーション手法を提案する。
マルチドメイン学習、ドメイン一般化、テスト時間適応、ソースフリードメイン適応といった新しいトレンドを紹介します。
論文 参考訳（メタデータ） (2021-12-06T18:47:41Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳（メタデータ） (2021-07-23T06:57:08Z) - Multitask Learning for Class-Imbalanced Discourse Classification [74.41900374452472]
マルチタスクアプローチは,現在のベンチマークで7%のマイクロf1コアを改善できることを示す。
また,NLPにおける資源不足問題に対処するための追加手法の比較検討を行った。
論文 参考訳（メタデータ） (2021-01-02T07:13:41Z) - 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)
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。