論文の概要: Synthetic-to-Real Domain Adaptation for Lane Detection

• arxiv url: http://arxiv.org/abs/2007.04023v2
• Date: Mon, 9 Nov 2020 12:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:14:16.722017
• Title: Synthetic-to-Real Domain Adaptation for Lane Detection
• Title（参考訳）: レーン検出のための合成領域適応
• Authors: Noa Garnett, Roy Uziel, Netalee Efrat, Dan Levi
• Abstract要約: 我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。 対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
• 参考スコア（独自算出の注目度）: 5.811502603310248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lane detection, a crucial enabler for autonomous driving, currently relies on obtaining a large and diverse labeled training dataset. In this work, we explore learning from abundant, randomly generated synthetic data, together with unlabeled or partially labeled target domain data, instead. Randomly generated synthetic data has the advantage of controlled variability in the lane geometry and lighting, but it is limited in terms of photo-realism. This poses the challenge of adapting models learned on the unrealistic synthetic domain to real images. To this end we develop a novel autoencoder-based approach that uses synthetic labels unaligned with particular images for adapting to target domain data. In addition, we explore existing domain adaptation approaches, such as image translation and self-supervision, and adjust them to the lane detection task. We test all approaches in the unsupervised domain adaptation setting in which no target domain labels are available and in the semi-supervised setting in which a small portion of the target images are labeled. In extensive experiments using three different datasets, we demonstrate the possibility to save costly target domain labeling efforts. For example, using our proposed autoencoder approach on the llamas and tuSimple lane datasets, we can almost recover the fully supervised accuracy with only 10% of the labeled data. In addition, our autoencoder approach outperforms all other methods in the semi-supervised domain adaptation scenario.
• Abstract（参考訳）: 自動運転の重要な実現手段である正確な車線検出は、現在、大規模で多様なラベル付きトレーニングデータセットを取得することに依存している。 本研究では,多量のランダムな合成データから学習し,ラベルなしあるいは部分的にラベル付けされた対象ドメインデータとともに学習する。 ランダムに生成された合成データはレーンの幾何学や照明において可変性を制御しているが、フォトリアリズムでは制限されている。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの課題である。 そこで我々は,特定の画像と一致しない合成ラベルを用いて対象領域データに適応する,新しいオートエンコーダベースの手法を開発した。 さらに,画像翻訳や自己スーパービジョンなどの既存の領域適応手法を探索し,車線検出タスクに適応させる。 対象のドメインラベルが存在しない教師なし領域適応設定と、対象画像のごく一部をラベル付けする半教師なし領域適応設定において、全てのアプローチをテストする。 3つの異なるデータセットを用いた広範囲な実験で、ターゲットとなるドメインラベリングのコストを節約する可能性を実証する。 例えば、ラマとtuSimpleレーンのデータセットに対する提案したオートエンコーダアプローチを使用して、ラベル付きデータの10%で完全に教師付きされた精度をほぼ回復できる。 さらに,本手法は,半教師付きドメイン適応シナリオにおいて,他の手法よりも優れる。

関連論文リスト

• Adapt Anything: Tailor Any Image Classifiers across Domains And Categories Using Text-to-Image Diffusion Models [82.95591765009105]
  我々は,現代テキスト・画像拡散モデルが,ドメインやカテゴリ間でタスク適応型画像分類器をカスタマイズできるかどうかを検討することを目的とする。 対象のテキストプロンプトから派生したカテゴリラベルを用いた画像合成には,1つのオフ・ザ・シェルフテキスト・ツー・イメージモデルのみを用いる。
  論文  参考訳（メタデータ） (2023-10-25T11:58:14Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Do More With What You Have: Transferring Depth-Scale from Labeled to Unlabeled Domains [43.16293941978469]
  自己教師付き深度推定器は、ドメイン全体の絶対深度値と線形に相関する大規模予測をもたらす。 トレーニング前の2つのデータセットのフィールド・オブ・ビューの整合性は、両方のドメインに共通な線形関係をもたらすことを示す。 観測された特性を用いて、絶対深度ラベルを持つソースデータセットから、これらの測定を欠いた新しいターゲットデータセットへ、深度スケールを転送する。
  論文  参考訳（メタデータ） (2023-03-14T07:07:34Z)
• Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
  運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。 局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。 本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
  論文  参考訳（メタデータ） (2022-06-10T05:16:50Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Relaxed Conditional Image Transfer for Semi-supervised Domain Adaptation [46.928052360814945]
  Semi-supervised Domain Adapt(SSDA)は、完全にラベル付けされたソースドメインの助けを借りて、部分的にラベル付けされたターゲットドメインのモデルを学ぶことを目的としています。 SSDAのセマンティクスを変更することなく画像を転送するための条件付きGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-05T08:15:48Z)
• 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)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。