論文の概要: Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN
- arxiv url: http://arxiv.org/abs/2007.01571v1
- Date: Fri, 3 Jul 2020 09:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 05:37:47.156253
- Title: Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN
- Title（参考訳）: 非対称三方向高速RCNNによる領域適応物体検出
- Authors: Zhenwei He and Lei Zhang
- Abstract要約: 対象ドメインがラベルに依存しない状態で、ソースドメインがラベルリッチであるドメイン間の格差を低減するために、教師なしドメイン適応オブジェクト検出を提案する。
主ネットと独立補助ネットからなる非対称構造は、本質的に、刺激されたソースリスク崩壊のパラメータを共有することを克服する。
提案したAFF検出器の適応が保証される。
- 参考スコア（独自算出の注目度）: 15.976076198305414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional object detection models inevitably encounter a performance drop
as the domain disparity exists. Unsupervised domain adaptive object detection
is proposed recently to reduce the disparity between domains, where the source
domain is label-rich while the target domain is label-agnostic. The existing
models follow a parameter shared siamese structure for adversarial domain
alignment, which, however, easily leads to the collapse and out-of-control risk
of the source domain and brings negative impact to feature adaption. The main
reason is that the labeling unfairness (asymmetry) between source and target
makes the parameter sharing mechanism unable to adapt. Therefore, in order to
avoid the source domain collapse risk caused by parameter sharing, we propose
an asymmetric tri-way Faster-RCNN (ATF) for domain adaptive object detection.
Our ATF model has two distinct merits: 1) A ancillary net supervised by source
label is deployed to learn ancillary target features and simultaneously
preserve the discrimination of source domain, which enhances the structural
discrimination (object classification vs. bounding box regression) of domain
alignment. 2) The asymmetric structure consisting of a chief net and an
independent ancillary net essentially overcomes the parameter sharing aroused
source risk collapse. The adaption safety of the proposed ATF detector is
guaranteed. Extensive experiments on a number of datasets, including
Cityscapes, Foggy-cityscapes, KITTI, Sim10k, Pascal VOC, Clipart and
Watercolor, demonstrate the SOTA performance of our method.
- Abstract（参考訳）: 従来のオブジェクト検出モデルは、ドメイン格差が存在するため、パフォーマンス低下に必然的に遭遇する。
対象ドメインがラベルに依存しない状態で、ソースドメインがラベルリッチであるドメイン間の格差を低減するために、最近、教師なしドメイン適応オブジェクト検出法が提案されている。
既存のモデルは、逆向きドメインアライメントのためのパラメータ共有シム構造に従うが、ソースドメインの崩壊や制御不能なリスクに容易につながり、特徴適応に負の影響をもたらす。
主な理由は、ソースとターゲット間のラベル付けの不公平さ(非対称性)がパラメータ共有機構を適応できないからである。
そこで,パラメータ共有によるソース領域の崩壊リスクを回避するため,領域適応型オブジェクト検出のための非対称三方向高速RCNN(ATF)を提案する。
atfモデルには2つの利点があります
1) ソースラベルが監督する補助ネットを配置し、補助対象の特徴を学習し、同時にソースドメインの識別を保存し、ドメインアライメントの構造的識別(オブジェクト分類とバウンディングボックス回帰)を強化する。
2) 主網と独立補助網からなる非対称構造は, 本質的に, 引き起こされたソースリスク崩壊のパラメータ共有を克服する。
提案するatf検出器の適応安全性が保証される。
Cityscapes, Foggy-cityscapes, KITTI, Sim10k, Pascal VOC, Clipart, Watercolor など,多くのデータセットに対する大規模な実験により, 提案手法のSOTA性能が実証された。
関連論文リスト
- Contrastive Adversarial Training for Unsupervised Domain Adaptation [2.432037584128226]
様々なドメイン適応タスクにおいて、ドメイン逆行訓練がうまく採用されている。
大規模なモデルでは、敵のトレーニングがソースドメインに偏りやすく、ターゲットドメインにはほとんど適応しない。
本稿では、ラベル付きソースドメインのサンプルを利用して、ターゲットドメインの機能生成を強化・調整するコントラッシブ・逆行訓練(CAT)手法を提案する。
論文 参考訳（メタデータ） (2024-07-17T17:59:21Z) - Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain
Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery [8.3316355693186]
本稿では,異なるHRSIsドメインとそれらの意味ラベル間の不変因果機構を探索するプロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。
ソースとターゲットのドメインイメージから因果的特徴とバイアス的特徴を、因果的特徴のアンタングルメントモジュールを通じて切り離す。
さらに因果的・偏見的特徴を非相関化するために、因果的介入モジュールを導入してバイアス的特徴に介入し、反事実的非偏見的サンプルを生成する。
論文 参考訳（メタデータ） (2024-03-06T13:39:18Z) - Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。
本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。
提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
論文 参考訳（メタデータ） (2023-08-01T15:37:19Z) - Towards Source-free Domain Adaptive Semantic Segmentation via Importance-aware and Prototype-contrast Learning [26.544837987747766]
本稿では、Importance-Aware と Prototype-Contrast Learning を用いた、エンドツーエンドのソースフリードメイン適応セマンティックセマンティックセマンティクス手法を提案する。
提案したIAPCフレームワークは、訓練済みソースモデルからドメイン不変知識を効果的に抽出し、ラベルなしターゲットドメインからドメイン固有知識を学習する。
論文 参考訳（メタデータ） (2023-06-02T15:09:19Z) - Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。
本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
論文 参考訳（メタデータ） (2022-09-20T18:38:28Z) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文 参考訳（メタデータ） (2021-09-19T00:27:08Z) - Exploring Sequence Feature Alignment for Domain Adaptive Detection
Transformers [141.70707071815653]
本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。
SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。
3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方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） (2021-07-27T07:17:12Z) - 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) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳（メタデータ） (2021-03-25T15:28:41Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-06T22:58:20Z)
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。