論文の概要: Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2009.08119v2
• Date: Fri, 18 Sep 2020 03:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 11:37:38.772793
• Title: Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection
• Title（参考訳）: 領域適応オブジェクト検出のための領域提案局所化と分類の協調学習
• Authors: Ganlong Zhao, Guanbin Li, Ruijia Xu, Liang Lin
• Abstract要約: オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
• 参考スコア（独自算出の注目度）: 121.28769542994664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors are usually trained with large amount of labeled data, which is expensive and labor-intensive. Pre-trained detectors applied to unlabeled dataset always suffer from the difference of dataset distribution, also called domain shift. Domain adaptation for object detection tries to adapt the detector from labeled datasets to unlabeled ones for better performance. In this paper, we are the first to reveal that the region proposal network (RPN) and region proposal classifier~(RPC) in the endemic two-stage detectors (e.g., Faster RCNN) demonstrate significantly different transferability when facing large domain gap. The region classifier shows preferable performance but is limited without RPN's high-quality proposals while simple alignment in the backbone network is not effective enough for RPN adaptation. We delve into the consistency and the difference of RPN and RPC, treat them individually and leverage high-confidence output of one as mutual guidance to train the other. Moreover, the samples with low-confidence are used for discrepancy calculation between RPN and RPC and minimax optimization. Extensive experimental results on various scenarios have demonstrated the effectiveness of our proposed method in both domain-adaptive region proposal generation and object detection. Code is available at https://github.com/GanlongZhao/CST_DA_detection.
• Abstract（参考訳）: 物体検出器は通常、大量のラベル付きデータで訓練されるが、これは高価で労働集約的である。 ラベルなしデータセットに適用された事前トレーニングされた検出器は、常にドメインシフトと呼ばれるデータセット分布の違いに悩まされる。 オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,領域提案ネットワーク (rpn) と領域提案分類器 (rpc) が固有二段検出器 (例えば, より高速なrcnn) において大きな領域間ギャップに直面した場合, 転送性が著しく異なることを明らかにする。 領域分類器は好適な性能を示すが、RPNの高品質な提案がなければ制限されるが、バックボーンネットワークにおける単純なアライメントはRPNの適応には不十分である。 我々はRPNとRPCの一貫性と相違点を掘り下げ、それらを個別に扱い、一方の高信頼出力を他方を訓練するための相互指導として活用する。 さらに、RPNとRPCの差分計算やミニマックス最適化に低信頼のサンプルを用いる。 ドメイン適応型領域提案生成とオブジェクト検出の両方において,提案手法の有効性を実証した。 コードはhttps://github.com/ganlongzhao/cst_da_detectionで入手できる。

関連論文リスト

• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• Label-Efficient Object Detection via Region Proposal Network Pre-Training [58.50615557874024]
  地域提案ネットワーク(RPN)に効果的な事前学習を提供するための簡単な事前学習タスクを提案する。 RPN事前学習のないマルチステージ検出器と比較して,本手法はダウンストリームタスク性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-11-16T16:28:18Z)
• Domain-Invariant Proposals based on a Balanced Domain Classifier for Object Detection [8.583307102907295]
  画像からのオブジェクト認識は、興味のあるオブジェクトを自動的に見つけ、カテゴリと位置情報を返すことを意味する。 畳み込みニューラルネットワーク(CNN)や生成的敵ネットワークといった深層学習の研究により、この分野のパフォーマンスは大幅に改善された。 分布のミスマッチ、すなわちドメインシフトは、大幅なパフォーマンス低下につながります。
  論文  参考訳（メタデータ） (2022-02-12T00:21:27Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Densely Semantic Enhancement for Domain Adaptive Region-free Detectors [16.50870773197886]
  教師なしドメイン適応オブジェクト検出は、元のソースドメインからトレーニング済みの検出器をラベルのない新しいターゲットドメインに適応させることを目的としている。 本研究では,非領域検出器のインスタンスレベル特徴のクロスドメインマッチングを強化するために,対向モジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-30T10:21:10Z)
• Attention-based Domain Adaptation for Single Stage Detectors [75.88557558238841]
  適応が焦点を置くべき重要な領域を特定するための注意機構を導入する。 我々のアプローチは汎用的で、任意の単段検出器に統合できる。 等価な単一ステージアーキテクチャでは、この手法は最先端のドメイン適応技術より優れている。
  論文  参考訳（メタデータ） (2021-06-14T10:30:44Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Deeply Aligned Adaptation for Cross-domain Object Detection [33.766468227676214]
  クロスドメインオブジェクト検出は、最近、現実世界のアプリケーションにますます注目を集めている。 本稿では,高速なR-CNNに基づくエンドツーエンドのソリューションを提案する。
  論文  参考訳（メタデータ） (2020-04-05T04:41:45Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。