論文の概要: Adaptive-Attentive Geolocalization from few queries: a hybrid approach

• arxiv url: http://arxiv.org/abs/2010.06897v2
• Date: Wed, 6 Jan 2021 20:05:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 13:37:27.554350
• Title: Adaptive-Attentive Geolocalization from few queries: a hybrid approach
• Title（参考訳）: 少数のクエリからの適応型ジオローカライズ:ハイブリッドアプローチ
• Authors: Gabriele Moreno Berton, Valerio Paolicelli, Carlo Masone and Barbara Caputo
• Abstract要約: ドメイン横断的な視覚的位置認識の課題に対処し、そこでは、ラベル付きギャラリーに対して、所定のクエリ画像をジオローカライズすることを目的としている。 我々は、少数の未ラベルのターゲット領域画像を用いて、ターゲット分布について学習する。 SVOXと呼ばれる領域横断的な視覚的位置認識のための大規模データセットを提案する。
• 参考スコア（独自算出の注目度）: 16.101248613062292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the task of cross-domain visual place recognition, where the goal is to geolocalize a given query image against a labeled gallery, in the case where the query and the gallery belong to different visual domains. To achieve this, we focus on building a domain robust deep network by leveraging over an attention mechanism combined with few-shot unsupervised domain adaptation techniques, where we use a small number of unlabeled target domain images to learn about the target distribution. With our method, we are able to outperform the current state of the art while using two orders of magnitude less target domain images. Finally we propose a new large-scale dataset for cross-domain visual place recognition, called SVOX. The pytorch code is available at https://github.com/valeriopaolicelli/AdAGeo .
• Abstract（参考訳）: そこでは,クエリとギャラリーが異なる視覚領域に属している場合において,ラベル付きギャラリーに対して,所定のクエリイメージをジオローカライズすることが目的である。 そこで本研究では,少数の非教師付きドメイン適応技術と組み合わせたアテンション機構を利用して,少数の未ラベルのドメイン画像を用いて対象の分布を学習することで,ドメインの堅牢なディープネットワークを構築することに注力する。 提案手法では,2桁小さい対象領域画像を用いて,現在の技術性能を上回ることができる。 最後に,クロスドメイン視覚位置認識のための新しい大規模データセットであるsvoxを提案する。 pytorchのコードはhttps://github.com/valeriopaolicelli/adageoで入手できる。

関連論文リスト

• ReFit: A Framework for Refinement of Weakly Supervised Semantic Segmentation using Object Border Fitting for Medical Images [4.945138408504987]
  Weakly Supervised Semantic (WSSS)は、画像レベルの監視のみに依存しているため、ネットワークの必要性に対処する上で有望なアプローチである。 本稿では,最新クラスのアクティベーションマップとポストプロセッシング手法を組み合わせたReFitフレームワークを提案する。 本手法をWSSS予測に適用することにより,医用画像の最先端WSSS法に対して最大10%の改善を実現した。
  論文  参考訳（メタデータ） (2023-03-14T12:46:52Z)
• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
  ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。 本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
  論文  参考訳（メタデータ） (2022-08-12T02:21:05Z)
• Feature Representation Learning for Unsupervised Cross-domain Image Retrieval [73.3152060987961]
  現在の教師付きクロスドメイン画像検索法は優れた性能が得られる。 データ収集とラベリングのコストは、実際のアプリケーションにおける実践的なデプロイにおいて、難易度の高い障壁を課します。 本稿では,クラス意味認識機能抽出を支援するために,クラスタ単位のコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-20T07:52:14Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• One-Shot Unsupervised Cross-Domain Detection [33.04327634746745]
  本稿では,テスト時に見られる対象サンプルを1つだけ使用することにより,ドメイン間の非教師なし適応を実現できるオブジェクト検出アルゴリズムを提案する。 これを実現するために、単発で任意のサンプルに適応するマルチタスクアーキテクチャを導入し、その上で自己教師型タスクを反復的に解決する。
  論文  参考訳（メタデータ） (2020-05-23T22:12:20Z)
• TriGAN: Image-to-Image Translation for Multi-Source Domain Adaptation [82.52514546441247]
  本稿では,ジェネレーティブ・アドバイサル・ネットワークに基づくマルチソース・ドメイン適応(MSDA)の最初のアプローチを提案する。 本手法は,画像の出現がドメイン,スタイル,内容の3つの要因に依存するという観察に着想を得たものである。 提案手法はMSDAベンチマークを用いて試行し,最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:07:22Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。