論文の概要: Continual Unsupervised Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2010.09236v2
• Date: Mon, 11 Oct 2021 05:58:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:57:30.694905
• Title: Continual Unsupervised Domain Adaptation for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための連続的教師なしドメイン適応
• Authors: Joonhyuk Kim, Sahng-Min Yoo, Gyeong-Moon Park, Jong-Hwan Kim
• Abstract要約: セマンティック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、ピクセルレベルのラベルを得るのが難しい実世界のシナリオに好適に適用されている。 本稿では,新たに設計されたETM(Expanding Target-specific Memory)フレームワークに基づく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連続UDAを提案する。 新たなETMフレームワークには,各対象領域を対象としたTarget-specific Memory (TM) が組み込まれている。
• 参考スコア（独自算出の注目度）: 14.160280479726921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) for semantic segmentation has been favorably applied to real-world scenarios in which pixel-level labels are hard to be obtained. In most of the existing UDA methods, all target data are assumed to be introduced simultaneously. Yet, the data are usually presented sequentially in the real world. Moreover, Continual UDA, which deals with more practical scenarios with multiple target domains in the continual learning setting, has not been actively explored. In this light, we propose Continual UDA for semantic segmentation based on a newly designed Expanding Target-specific Memory (ETM) framework. Our novel ETM framework contains Target-specific Memory (TM) for each target domain to alleviate catastrophic forgetting. Furthermore, a proposed Double Hinge Adversarial (DHA) loss leads the network to produce better UDA performance overall. Our design of the TM and training objectives let the semantic segmentation network adapt to the current target domain while preserving the knowledge learned on previous target domains. The model with the proposed framework outperforms other state-of-the-art models in continual learning settings on standard benchmarks such as GTA5, SYNTHIA, CityScapes, IDD, and Cross-City datasets. The source code is available at https://github.com/joonh-kim/ETM.
• Abstract（参考訳）: 意味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、ピクセルレベルラベルの取得が難しい現実のシナリオに好適に適用されている。 既存のUDA手法のほとんどでは、すべてのターゲットデータが同時に導入されたと仮定される。 しかし、データは通常、現実世界で順次表示されます。 さらに,連続的な学習環境において,複数の対象ドメインを扱うより実践的なシナリオを扱う連続的UDAについても,積極的に検討されていない。 本稿では,新たに設計されたETM(Expanding Target-specific Memory)フレームワークに基づく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連続UDAを提案する。 新たなETMフレームワークには,各対象領域を対象としたTarget-specific Memory (TM) が含まれている。 さらに、Double Hinge Adversarial (DHA) の損失が提案され、ネットワーク全体の UDA 性能が向上する。 TMの設計とトレーニングの目的により、セマンティックセグメンテーションネットワークは現在のターゲットドメインに適応し、以前のターゲットドメインで学んだ知識を保存できる。 提案したフレームワークによるモデルは、GTA5、SynTHIA、CityScapes、IDD、Cross-Cityデータセットなどの標準ベンチマークにおいて、他の最先端モデルよりも優れている。 ソースコードはhttps://github.com/joonh-kim/ETMで入手できる。

関連論文リスト

• PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning [34.786268652516355]
  教師なしドメイン適応セグメンテーションは、それらのドメインのラベル付きデータに頼ることなく、ターゲットドメイン上のモデルのセグメンテーション精度を向上させることを目的としている。 ソースドメイン(ラベル付きデータが利用可能な場所)とターゲットドメイン(ラベルなしデータのみが存在する場所)の特徴表現の整合を図る。
  論文  参考訳（メタデータ） (2024-07-24T08:53:29Z)
• Divide, Ensemble and Conquer: The Last Mile on Unsupervised Domain Adaptation for On-Board Semantic Segmentation [7.658092990342648]
  マルチソースデータセットのためのフレキシブルなUDAフレームワークであるDECを提案する。 分割・分散戦略に従うと、DECはセマンティッククラスを分類し、各カテゴリのトレーニングモデルを作成し、合成データセットにのみ訓練されたアンサンブルモデルでそれらの出力を融合して最終セグメンテーションマスクを取得することでタスクを単純化する。 DECは既存のUDAメソッドと統合することができ、Cityscapes、BDD100K、Mapillary Vistasで最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-06-27T00:54:11Z)
• Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
  SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。 総合評価により,SegCLRの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-08T18:10:59Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、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に知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)
• Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
  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)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-08T13:20:09Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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） (2021-08-28T09:29:14Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。