論文の概要: Cross-View Regularization for Domain Adaptive Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2103.02584v1
• Date: Wed, 3 Mar 2021 18:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 14:56:49.533859
• Title: Cross-View Regularization for Domain Adaptive Panoptic Segmentation
• Title（参考訳）: ドメイン適応型パノプティブセグメンテーションのためのクロスビュー規則化
• Authors: Jiaxing Huang, Dayan Guan, Aoran Xiao, Shijian Lu
• Abstract要約: 我々は、相互整合性とタスク間正規化を利用するドメイン適応型パンオプティクスネットワークを設計する。 提案するネットワークは,最先端技術と比較して,優れたセグメンテーション性能を実現する。
• 参考スコア（独自算出の注目度）: 32.77436219094282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Panoptic segmentation unifies semantic segmentation and instance segmentation which has been attracting increasing attention in recent years. However, most existing research was conducted under a supervised learning setup whereas unsupervised domain adaptive panoptic segmentation which is critical in different tasks and applications is largely neglected. We design a domain adaptive panoptic segmentation network that exploits inter-style consistency and inter-task regularization for optimal domain adaptive panoptic segmentation. The inter-style consistency leverages geometric invariance across the same image of the different styles which fabricates certain self-supervisions to guide the network to learn domain-invariant features. The inter-task regularization exploits the complementary nature of instance segmentation and semantic segmentation and uses it as a constraint for better feature alignment across domains. Extensive experiments over multiple domain adaptive panoptic segmentation tasks (e.g., synthetic-to-real and real-to-real) show that our proposed network achieves superior segmentation performance as compared with the state-of-the-art.
• Abstract（参考訳）: panoptic segmentationは、近年注目を集めているセマンティックセグメンテーションとインスタンスセグメンテーションを統合する。 しかし、既存の研究のほとんどは教師付き学習のセットアップの下で行われ、異なるタスクやアプリケーションで重要な非教師付きドメイン適応パンオプティクスセグメンテーションはほとんど無視されます。 ドメイン適応型パノプティックセグメンテーションネットワークを設計し、最適領域適応型パノプティックセグメンテーションのためのスタイル間の整合性とタスク間正規化を利用する。 スタイル間の整合性は、異なるスタイルの同じイメージの幾何学的不変性を利用して、特定の自己スーパービジョンを作成し、ネットワークにドメイン不変の特徴を学習させる。 タスク間の正規化は、インスタンスセグメンテーションとセマンティクスセグメンテーションの相補的な性質を生かして、ドメイン間の機能アライメントを改善するための制約として利用します。 複数の領域適応型パノプティックセグメンテーションタスク(例えば、合成-実-実-実-実-実-)に対する大規模な実験により、提案ネットワークは最先端技術と比較して優れたセグメンテーション性能を達成できることを示す。

関連論文リスト

• EDAPS: Enhanced Domain-Adaptive Panoptic Segmentation [93.25977558780896]
  本研究では,パノプティカルネットワークの設計について検討し,ドメイン適応型パノプティカルセグメンテーションのための新しいアーキテクチャ(EDAPS)を提案する。 EDAPSは、SynTHIA-to-Cityscapesでは20%、より困難なSynTHIA-to-Mapillary Vistasでは72%という大きなマージンで、パンプトセグメンテーションUDAの最先端性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-04-27T15:51:19Z)
• UniDAformer: Unified Domain Adaptive Panoptic Segmentation Transformer via Hierarchical Mask Calibration [49.16591283724376]
  単一ネットワーク内でのドメイン適応型インスタンス分割とセマンティックセマンティックセマンティックセマンティクスを同時に実現可能な,シンプルで統一されたドメイン適応型パン光学セマンティクスセマンティクス変換器UniDAformerを設計する。 UniDAformerは階層型マスク(Hierarchical Mask, HMC)を導入し、オンザフライでのオンラインセルフトレーニングを通じて、領域、スーパーピクセル、注釈付きピクセルのレベルで不正確な予測を修正した。 1) 統合されたドメイン適応型パン光学適応を可能にする; 2) 誤った予測を緩和し、ドメイン適応型パン光学セグメンテーションを効果的に改善する; 3) より単純なトレーニングと推論パイプラインでエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-06-30T07:32:23Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
  ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。 私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
  論文  参考訳（メタデータ） (2021-04-22T13:39:12Z)
• Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
  セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。 その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
  論文  参考訳（メタデータ） (2020-09-30T04:17:48Z)
• 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)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。