論文の概要: A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data

• arxiv url: http://arxiv.org/abs/2012.05400v1
• Date: Thu, 10 Dec 2020 01:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 00:24:22.418885
• Title: A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data
• Title（参考訳）: ソースデータのない教師なしドメイン適応オブジェクト検出のための無料ランチ
• Authors: Xianfeng Li and Weijie Chen and Di Xie and Shicai Yang and Peng Yuan and Shiliang Pu and Yueting Zhuang
• Abstract要約: 教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 69.091485888121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) assumes that source and target domain data are freely available and usually trained together to reduce the domain gap. However, considering the data privacy and the inefficiency of data transmission, it is impractical in real scenarios. Hence, it draws our eyes to optimize the network in the target domain without accessing labeled source data. To explore this direction in object detection, for the first time, we propose a source data-free domain adaptive object detection (SFOD) framework via modeling it into a problem of learning with noisy labels. Generally, a straightforward method is to leverage the pre-trained network from the source domain to generate the pseudo labels for target domain optimization. However, it is difficult to evaluate the quality of pseudo labels since no labels are available in target domain. In this paper, self-entropy descent (SED) is a metric proposed to search an appropriate confidence threshold for reliable pseudo label generation without using any handcrafted labels. Nonetheless, completely clean labels are still unattainable. After a thorough experimental analysis, false negatives are found to dominate in the generated noisy labels. Undoubtedly, false negatives mining is helpful for performance improvement, and we ease it to false negatives simulation through data augmentation like Mosaic. Extensive experiments conducted in four representative adaptation tasks have demonstrated that the proposed framework can easily achieve state-of-the-art performance. From another view, it also reminds the UDA community that the labeled source data are not fully exploited in the existing methods.
• Abstract（参考訳）: 教師なしのドメイン適応(UDA)は、ソースとターゲットのドメインデータが自由に利用可能であり、通常、ドメインギャップを減らすために一緒に訓練されていると仮定する。 しかし、データプライバシとデータ転送の非効率を考えると、実際のシナリオでは実用的ではない。 したがって、ラベル付きソースデータにアクセスすることなく、ターゲットドメイン内のネットワークを最適化する。 オブジェクト検出におけるこの方向を探索するため,我々はまず,ノイズのあるラベルで学習する問題のモデル化を通じて,ソースデータフリーなドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。 一般に、ソースドメインから事前訓練されたネットワークを活用して、ターゲットドメイン最適化のための擬似ラベルを生成する。 しかし,対象ドメインにラベルが存在しないため,擬似ラベルの品質評価は困難である。 本稿では,自己エントロピー降下 (SED) は,手作りラベルを使わずに,信頼できる擬似ラベル生成のための適切な信頼度しきい値を求めるための指標である。 それでも、完全にクリーンなラベルはまだ達成できない。 徹底的な実験分析の結果,生成する雑音ラベルにおいて偽陰性が支配的であることが判明した。 間違いなく、偽陰性のマイニングはパフォーマンス改善に役立ち、モザイクのようなデータ拡張を通じて偽陰性のシミュレーションを容易にする。 4つの代表的な適応タスクで実施された広範囲な実験により,提案手法が最先端の性能を容易に達成できることが実証された。 別の見方では、ラベル付きソースデータが既存のメソッドで完全に活用されていないことをUDAコミュニティに思い出させる。

関連論文リスト

• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Refined Pseudo labeling for Source-free Domain Adaptive Object Detection [9.705172026751294]
  ソースフリーDは、未ラベルのターゲットデータのみを用いて、ソーストレーニングされた検出器をターゲット領域に適応させる。 既存のソースフリーD手法は、通常擬似ラベリングを利用しており、性能は信頼しきい値の選択に大きく依存している。 本稿では,各カテゴリに対して適切な閾値を適応的に提供する適応しきい値推定モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T08:31:42Z)
• Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
  両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。 提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2022-10-04T15:20:01Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• Unsupervised Robust Domain Adaptation without Source Data [75.85602424699447]
  我々は、利用できないターゲットラベルとソースデータのコンテキストにおけるロバストなドメイン適応の問題について研究する。 4つのベンチマークデータセットでテストされたベースラインに対して10%以上の精度で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-03-26T16:42:28Z)
• Self-Supervised Noisy Label Learning for Source-Free Unsupervised Domain Adaptation [87.60688582088194]
  新規な自己監督雑音ラベル学習法を提案する。 本手法は最新の結果を容易に達成でき、他の手法を非常に大きなマージンで超えることができる。
  論文  参考訳（メタデータ） (2021-02-23T10:51:45Z)
• Unsupervised Domain Adaptation for Person Re-Identification through Source-Guided Pseudo-Labeling [2.449909275410288]
  人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。 Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。 ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-20T14:54:42Z)

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。