論文の概要: Exploiting Diverse Characteristics and Adversarial Ambivalence for
Domain Adaptive Segmentation
- arxiv url: http://arxiv.org/abs/2012.05608v2
- Date: Thu, 7 Jan 2021 16:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:22:40.200826
- Title: Exploiting Diverse Characteristics and Adversarial Ambivalence for
Domain Adaptive Segmentation
- Title(参考訳): ドメイン適応セグメンテーションにおける多様な特徴と逆アンビバレンスの利用
- Authors: Bowen Cai, Huan Fu, Rongfei Jia, Binqiang Zhao, Hua Li, Yinghui Xu
- Abstract要約: 新しいドメインにセマンティックセグメンテーションモデルを適用することは重要だが難しい問題だ。
特殊なプログレッシブな敵対的トレーニング機構と新しい自己訓練政策によって強化された条件付き適応フレームワークを提案する。
対象の画像が気象条件によって異なる様々な適応シナリオに対して,本手法を評価する。
- 参考スコア(独自算出の注目度): 20.13548631627542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adapting semantic segmentation models to new domains is an important but
challenging problem. Recently enlightening progress has been made, but the
performance of existing methods are unsatisfactory on real datasets where the
new target domain comprises of heterogeneous sub-domains (e.g., diverse weather
characteristics). We point out that carefully reasoning about the multiple
modalities in the target domain can improve the robustness of adaptation
models. To this end, we propose a condition-guided adaptation framework that is
empowered by a special attentive progressive adversarial training (APAT)
mechanism and a novel self-training policy. The APAT strategy progressively
performs condition-specific alignment and attentive global feature matching.
The new self-training scheme exploits the adversarial ambivalences of easy and
hard adaptation regions and the correlations among target sub-domains
effectively. We evaluate our method (DCAA) on various adaptation scenarios
where the target images vary in weather conditions. The comparisons against
baselines and the state-of-the-art approaches demonstrate the superiority of
DCAA over the competitors.
- Abstract(参考訳): セマンティックセグメンテーションモデルを新しいドメインに適応させることは重要だが、難しい問題である。
近年,新たなターゲットドメインが異質なサブドメイン(気象特性の多様性など)から構成される実際のデータセットでは,既存の手法の性能は不十分である。
対象領域における多重モダリティを慎重に推論することで、適応モデルのロバスト性を向上させることができることを指摘した。
そこで本研究では,apat(special attentive progressive adversarial training)機構と新しい自己学習方針により,条件付き適応フレームワークを提案する。
APAT戦略は、段階的に条件固有アライメントと注意深いグローバル特徴マッチングを実行する。
新たな自己学習方式は,容易かつハードな適応領域の逆アンバイバレンスと,対象サブドメイン間の相関を効果的に活用する。
気象条件の異なる様々な適応シナリオに対して,本手法(DCAA)を評価した。
ベースラインと最先端のアプローチの比較は、競合相手よりもDCAAの方が優れていることを示している。
関連論文リスト
- SADA: Semantic adversarial unsupervised domain adaptation for Temporal Action Localization [32.35611853688068]
本稿では,Sparse TAL における Unsupervised Domain Adaptation のアプローチを初めて紹介する。
我々は、現実的なスパース動作検出ベンチマークで動作するドメイン適応モデルの開発を開拓した。
EpicKitchens100とCharadesEgoをベースとした,複数のドメインシフトを評価する新しいベンチマークセットを提案する。
論文 参考訳(メタデータ) (2023-12-20T19:08:49Z) - Smoothness Similarity Regularization for Few-Shot GAN Adaptation [16.92497517282215]
本稿では,学習済みのGANの学習済みの滑らかさを少数ショット対象領域に伝達する,新しい滑らかさ類似性正規化を提案する。
我々は,無条件GANとクラス条件GANを多種多様な標的ドメインに適応させることにより,我々のアプローチを評価する。
論文 参考訳(メタデータ) (2023-08-18T17:59:53Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳(メタデータ) (2023-07-27T08:58:05Z) - Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。
本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-28T04:08:40Z) - 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) - Generative Domain Adaptation for Face Anti-Spoofing [38.12738183385737]
教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
論文 参考訳(メタデータ) (2022-07-20T16:24:57Z) - Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送と適応を目的としている。
伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。
本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-05T20:16:38Z) - Dynamic Domain Adaptation for Efficient Inference [12.713628738434881]
ドメイン適応(DA)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への知識転送を可能にする。
以前のdaアプローチのほとんどは、適応能力を改善するために複雑で強力なディープニューラルネットワークを活用する。
低リソースシナリオにおいて効率的なターゲット推論を同時に実現できる動的ドメイン適応(DDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-26T08:53:16Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z) - Class-Incremental Domain Adaptation [56.72064953133832]
私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。
既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。
提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
論文 参考訳(メタデータ) (2020-08-04T07:55:03Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。