論文の概要: Maximizing Cosine Similarity Between Spatial Features for Unsupervised Domain Adaptation in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2102.13002v2
• Date: Fri, 26 Feb 2021 04:13:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 11:36:47.940508
• Title: Maximizing Cosine Similarity Between Spatial Features for Unsupervised Domain Adaptation in Semantic Segmentation
• Title（参考訳）: 意味セグメンテーションにおける教師なし領域適応のための空間的特徴間のコサイン類似性最大化
• Authors: Inseop Chung, Daesik Kim, Nojun Kwak
• Abstract要約: セグメンテーションネットワークは、主に特徴抽出器と分類ヘッドの2つの部分から構成される。 本手法は,ソース特徴マップと対象特徴マップとのコサイン類似度行列を計算する。 クラスワイズなソース特徴辞書を用いて、ソースドメインの最新の特徴を記憶し、未整合問題を防止する。
• 参考スコア（独自算出の注目度）: 36.65400781349227
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a novel method that tackles the problem of unsupervised domain adaptation for semantic segmentation by maximizing the cosine similarity between the source and the target domain at the feature level. A segmentation network mainly consists of two parts, a feature extractor and a classification head. We expect that if we can make the two domains have small domain gap at the feature level, they would also have small domain discrepancy at the classification head. Our method computes a cosine similarity matrix between the source feature map and the target feature map, then we maximize the elements exceeding a threshold to guide the target features to have high similarity with the most similar source feature. Moreover, we use a class-wise source feature dictionary which stores the latest features of the source domain to prevent the unmatching problem when computing the cosine similarity matrix and be able to compare a target feature with various source features from various images. Through extensive experiments, we verify that our method gains performance on two unsupervised domain adaptation tasks (GTA5$\to$ Cityscaspes and SYNTHIA$\to$ Cityscapes).
• Abstract（参考訳）: 本論文では,ソースとターゲットドメインのコサイン類似性を特徴レベルで最大化することにより,セマンティックセグメンテーションにおける非監視領域適応の問題に取り組む新しい手法を提案する。 セグメンテーションネットワークは、主に特徴抽出器と分類ヘッドの2つの部分から構成される。 2つのドメインが機能レベルで小さなドメイン間隙を持つようにできれば、分類ヘッドで小さなドメイン間差異も生まれると期待しています。 提案手法では,ソース特徴マップとターゲット特徴マップのコサイン類似度行列を計算し,しきい値を超える要素を最大化し,最も類似したソース特徴と高い類似度を持つように目標特徴を導出する。 さらに,ソースドメインの最新の特徴を格納するクラス毎のソース特徴辞書を用いて,コサイン類似度行列の計算時に一致しない問題を防止し,対象特徴と各種画像からの各種ソース特徴を比較した。 広範な実験を通じて,2つの監視されていないドメイン適応タスク(GTA5$\to$ Cityscaspes と SYNTHIA$\to$ Cityscapes)において,この手法がパフォーマンスを向上することを確認した。

関連論文リスト

• Domain Game: Disentangle Anatomical Feature for Single Domain Generalized Segmentation [9.453879758234379]
  医用画像セグメンテーションのための機能ディスタングを行うために,textitDomain Game という新しいフレームワークを提案する。 ドメインゲームでは、特異音源画像から導出されるランダムに変換された画像の集合を戦略的に2つの特徴集合に符号化する。 クロスサイトテスト領域の評価の結果、前立腺のセグメンテーションが約11.8%、脳腫瘍のセグメンテーションが約10.5%向上した。
  論文  参考訳（メタデータ） (2024-06-04T09:10:02Z)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• Multi-Granularity Alignment Domain Adaptation for Object Detection [33.32519045960187]
  ドメイン適応型オブジェクト検出は、ソースドメインとターゲットドメインの間に特有のデータ分布があるため、難しい。 ドメイン不変な特徴学習に向けた多粒度アライメントに基づくオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-31T09:05:06Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

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。