論文の概要: Domain Adaptive Semantic Segmentation Using Weak Labels

• arxiv url: http://arxiv.org/abs/2007.15176v2
• Date: Wed, 12 Aug 2020 10:05:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 14:17:46.458090
• Title: Domain Adaptive Semantic Segmentation Using Weak Labels
• Title（参考訳）: 弱ラベルを用いたドメイン適応意味セグメンテーション
• Authors: Sujoy Paul, Yi-Hsuan Tsai, Samuel Schulter, Amit K. Roy-Chowdhury, Manmohan Chandraker
• Abstract要約: 本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおける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。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
• 参考スコア（独自算出の注目度）: 115.16029641181669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning semantic segmentation models requires a huge amount of pixel-wise labeling. However, labeled data may only be available abundantly in a domain different from the desired target domain, which only has minimal or no annotations. In this work, we propose a novel framework for domain adaptation in semantic segmentation with image-level weak labels in the target domain. The weak labels may be obtained based on a model prediction for unsupervised domain adaptation (UDA), or from a human annotator in a new weakly-supervised domain adaptation (WDA) paradigm for semantic segmentation. Using weak labels is both practical and useful, since (i) collecting image-level target annotations is comparably cheap in WDA and incurs no cost in UDA, and (ii) it opens the opportunity for category-wise domain alignment. Our framework uses weak labels to enable the interplay between feature alignment and pseudo-labeling, improving both in the process of domain adaptation. Specifically, we develop a weak-label classification module to enforce the network to attend to certain categories, and then use such training signals to guide the proposed category-wise alignment method. In experiments, we show considerable improvements with respect to the existing state-of-the-arts in UDA and present a new benchmark in the WDA setting. Project page is at http://www.nec-labs.com/~mas/WeakSegDA.
• Abstract（参考訳）: 意味的セグメンテーションモデルを学ぶには、膨大なピクセル単位のラベリングが必要です。 しかし、ラベル付きデータは、最小またはノーのアノテーションしか持たない、望ましいターゲットドメインとは異なるドメインでのみ利用できる。 本研究では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおける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。 弱いラベルは、教師なしドメイン適応(UDA)のモデル予測や、セマンティックセグメンテーションのための新しい弱教師付きドメイン適応(WDA)パラダイムにおける人間のアノテーションに基づいて得ることができる。 弱いラベルを使うことは実用的かつ有用です。 (i)画像レベルのターゲットアノテーションの収集はwdaでは比較的に安価であり、udaではコストがかからない。 (ii)カテゴリー別ドメインアライメントの機会を開く。 我々のフレームワークは、機能アライメントと擬似ラベルの相互作用を可能にするために弱いラベルを使用し、ドメイン適応のプロセスの両方を改善する。 具体的には,ネットワークを特定のカテゴリに従わせるための弱ラベル分類モジュールを開発し,その学習信号を用いてカテゴリ毎アライメント手法を導出する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。 プロジェクトページはhttp://www.nec-labs.com/~mas/WeakSegDAにある。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal Assignment and Pseudo-Label Refinement [84.10513481953583]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。 ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。 本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:45:04Z)
• ADeADA: Adaptive Density-aware Active Domain Adaptation for Semantic Segmentation [23.813813896293876]
  セマンティックセグメンテーションのための一般的なアクティブドメイン適応フレームワークであるADeADAについて述べる。 対象とするドメインアノテーションが5%未満の場合、我々のメソッドは完全な監視の方法と同等の結果に到達します。
  論文  参考訳（メタデータ） (2022-02-14T05:17:38Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Get away from Style: Category-Guided Domain Adaptation for Semantic Segmentation [15.002381934551359]
  非教師なしドメイン適応(UDA)は、ターゲットドメインの根本的真理なしに現実世界の問題に取り組むことでますます人気を増している。 本稿では,セマンティックセグメンテーションタスクにおけるUDAに着目した。 抽出した特徴のスタイル情報を類似空間に保持するスタイル非依存のコンテンツ特徴抽出機構を提案する。 次に,各カテゴリの擬似ラベルのバランスを保ちながら,自己教師付き学習のためのカテゴリ別擬似ラベルを選択するためのカテゴリ誘導しきい値機構を提案する。
  論文  参考訳（メタデータ） (2021-03-29T10:00:50Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)

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。