Fugu-MT 論文翻訳(概要): Domain Contrast for Domain Adaptive Object Detection

論文の概要: Domain Contrast for Domain Adaptive Object Detection

arxiv url: http://arxiv.org/abs/2006.14863v1
Date: Fri, 26 Jun 2020 08:45:36 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 21:21:48.423170
Title: Domain Contrast for Domain Adaptive Object Detection
Title（参考訳）: ドメイン適応オブジェクト検出のためのドメインコントラスト
Authors: Feng Liu, Xiaoxong Zhang, Fang Wan, Xiangyang Ji, Qixiang Ye
Abstract要約: ドメインコントラスト(ドメインコントラスト、Domain Contrast、DC)は、ドメイン適応検出器の訓練のための対照的な学習にインスパイアされたアプローチである。 DCは画像レベルでも領域レベルでも適用可能で、検出器の転送性や識別性は一貫して改善されている。
参考スコア（独自算出の注目度）: 79.77438747622135
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present Domain Contrast (DC), a simple yet effective approach inspired by contrastive learning for training domain adaptive detectors. DC is deduced from the error bound minimization perspective of a transferred model, and is implemented with cross-domain contrast loss which is plug-and-play. By minimizing cross-domain contrast loss, DC guarantees the transferability of detectors while naturally alleviating the class imbalance issue in the target domain. DC can be applied at either image level or region level, consistently improving detectors' transferability and discriminability. Extensive experiments on commonly used benchmarks show that DC improves the baseline and state-of-the-art by significant margins, while demonstrating great potential for large domain divergence.
Abstract（参考訳）: ドメイン適応型検出器を訓練するためのコントラスト学習に触発された,単純かつ効果的なアプローチであるドメインコントラスト(dc)を提案する。 DCは転送モデルの誤差境界最小化の観点から推定され、プラグアンドプレイのクロスドメインコントラストロスで実装される。ドメイン間のコントラスト損失を最小限にすることで、DCは検出器の転送可能性を保証すると同時に、ターゲットドメインのクラス不均衡問題を自然に軽減する。 dcは画像レベルまたは領域レベルで適用でき、検出器の転送性と識別性が一貫して向上する。一般的なベンチマーク実験では、DCはベースラインと最先端の技術をかなりのマージンで改善し、大きな領域の分岐の可能性を示している。

関連論文リスト

Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
論文参考訳（メタデータ） (2024-05-25T07:17:47Z)
Source-free Domain Adaptive Object Detection in Remote Sensing Images [11.19538606490404]
本研究では,RS画像のソースフリーオブジェクト検出(SFOD)設定を提案する。これは、ソース事前学習モデルのみを使用してターゲットドメイン適応を実行することを目的としている。本手法では,ソース領域RS画像へのアクセスは不要である。
論文参考訳（メタデータ） (2024-01-31T15:32:44Z)
AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection [28.22783703278792]
特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR) ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
論文参考訳（メタデータ） (2023-03-27T16:51:51Z)
FIT: Frequency-based Image Translation for Domain Adaptive Object Detection [8.635264598464355]
ドメイン適応オブジェクト検出(DAOD)のための新しい周波数ベース画像変換(FIT)フレームワークを提案する。まず、ドメイン不変周波数成分を保持し、ドメイン固有周波数成分を交換することで、画像変換を行い、入力レベルでのドメインシフトを低減する。第二に、階層的対角的特徴学習を用いて、特徴レベルでのドメインギャップをさらに緩和する。
論文参考訳（メタデータ） (2023-03-07T07:30:08Z)
Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文参考訳（メタデータ） (2022-01-06T05:43:01Z)
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)
Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
論文参考訳（メタデータ） (2021-03-22T08:32:55Z)
Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文参考訳（メタデータ） (2021-03-15T15:23:10Z)
Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文参考訳（メタデータ） (2020-08-26T03:18:53Z)
Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。