論文の概要: From Synthetic to Real: Unsupervised Domain Adaptation for Animal Pose Estimation

• arxiv url: http://arxiv.org/abs/2103.14843v1
• Date: Sat, 27 Mar 2021 08:39:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:08:26.117551
• Title: From Synthetic to Real: Unsupervised Domain Adaptation for Animal Pose Estimation
• Title（参考訳）: 合成から現実へ:動物行動推定のための教師なしドメイン適応
• Authors: Chen Li, Gim Hee Lee
• Abstract要約: 動物のポーズ推定は近年注目を集めている重要な分野である。 既存の作品は、合成データのような他のアクセスしやすいドメインのデータから生成される擬似ラベルでこの問題を回避する。 合成データと実データ間の領域ギャップを低減するために,マルチスケールドメイン適応モジュール (MDAM) を設計する。 具体的には、内部粗更新ループにおける自己蒸留モジュールと外部微更新ループにおける平均教師を提案し、古いものを徐々に置き換える新しい擬似ラベルを生成する。
• 参考スコア（独自算出の注目度）: 67.39635503744395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animal pose estimation is an important field that has received increasing attention in the recent years. The main challenge for this task is the lack of labeled data. Existing works circumvent this problem with pseudo labels generated from data of other easily accessible domains such as synthetic data. However, these pseudo labels are noisy even with consistency check or confidence-based filtering due to the domain shift in the data. To solve this problem, we design a multi-scale domain adaptation module (MDAM) to reduce the domain gap between the synthetic and real data. We further introduce an online coarse-to-fine pseudo label updating strategy. Specifically, we propose a self-distillation module in an inner coarse-update loop and a mean-teacher in an outer fine-update loop to generate new pseudo labels that gradually replace the old ones. Consequently, our model is able to learn from the old pseudo labels at the early stage, and gradually switch to the new pseudo labels to prevent overfitting in the later stage. We evaluate our approach on the TigDog and VisDA 2019 datasets, where we outperform existing approaches by a large margin. We also demonstrate the generalization ability of our model by testing extensively on both unseen domains and unseen animal categories. Our code is available at the project website.
• Abstract（参考訳）: 動物のポーズ推定は近年注目を集めている重要な分野である。 このタスクの主な課題はラベル付きデータの欠如である。 既存の作品は、合成データのような他のアクセスしやすいドメインのデータから生成される擬似ラベルでこの問題を回避する。 しかし、これらの擬似ラベルは、データのドメインシフトによる整合性チェックや信頼度に基づくフィルタリングであってもうるさい。 この問題を解決するために,合成データと実データ間の領域ギャップを低減するため,MDAM(Multi-scale domain adapt module)を設計する。 さらに、オンラインの粗い擬似ラベル更新戦略を導入する。 具体的には,内面粗い更新ループにおける自己蒸留モジュールと外面粗い更新ループにおける平均教師を用いて,古いものを徐々に置き換える新しい擬似ラベルを生成する。 その結果,本モデルでは,初期の擬似ラベルから学習が可能となり,徐々に新しい擬似ラベルに切り替えることで,後期における過度な適合を防止することができる。 TigDogとVisDA 2019データセットに対するアプローチを評価し、既存のアプローチを大きなマージンで上回るようにしています。 また,未発見領域と未発見動物カテゴリの両方で広範囲にテストすることにより,このモデルの一般化能力を示す。 私たちのコードはプロジェクトのWebサイトで利用可能です。

関連論文リスト

• AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
  本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。 これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。 その結果,全データセットのセグメンテーション性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-06T23:04:29Z)
• De-Confusing Pseudo-Labels in Source-Free Domain Adaptation [14.954662088592762]
  ソースのないドメイン適応は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース訓練されたモデルを適用することを目的としている。 本稿では,ドメイン適応設定における雑音分布に対処するための新しいノイズ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-03T10:07:11Z)
• Unsupervised Domain Adaptation for Semantic Segmentation with Pseudo Label Self-Refinement [9.69089112870202]
  擬似ラベルのオンライン精錬のための補助的擬似ラベル精錬ネットワーク(PRN)を提案する。 3つの異なるドメインシフトを持つベンチマークデータセットに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2023-10-25T20:31:07Z)
• ScarceNet: Animal Pose Estimation with Scarce Annotations [74.48263583706712]
  ScarceNetは、ラベルのない画像のための人工ラベルを生成するための擬似ラベルベースのアプローチである。 我々は、既存の半教師付きアプローチを大きなマージンで上回る、挑戦的なAP-10Kデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-03-27T09:15:53Z)
• 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)
• Continual Unsupervised Domain Adaptation for Semantic Segmentation using a Class-Specific Transfer [9.46677024179954]
  セグメンテーションモデルは 目に見えない領域に一般化しません 2つのクラス条件のAdaIN層を組み込んだ軽量なスタイル転送フレームワークを提案する。 合成シーケンスに対する我々のアプローチを広く検証し、さらに実領域からなる挑戦的なシーケンスを提案する。
  論文  参考訳（メタデータ） (2022-08-12T21:30:49Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  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。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)
• Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
  本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:33:57Z)
• DACS: Domain Adaptation via Cross-domain Mixed Sampling [4.205692673448206]
  教師なしのドメイン適応は、あるドメインからラベル付きデータをトレーニングし、同時に関心のあるドメインでラベルなしのデータから学習しようとする。 DACS: クロスドメイン混合サンプリングによるドメイン適応(Domain Adaptation)を提案する。 我々は,GTA5からCityscapesへの最先端の成果を得ることによって,ソリューションの有効性を実証する。
  論文  参考訳（メタデータ） (2020-07-17T00:43:11Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。