論文の概要: More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2105.03151v1
• Date: Fri, 7 May 2021 10:24:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 12:17:01.633967
• Title: More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation
• Title（参考訳）: より分離可能で、セグメンテーションが容易:クロスドメインセマンティクスセグメンテーションのためのクラスタアライメント法
• Authors: Shuang Wang, Dong Zhao, Yi Li, Chi Zhang, Yuwei Guo, Qi Zang, Biao Hou, Licheng Jiao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.81843755299211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature alignment between domains is one of the mainstream methods for Unsupervised Domain Adaptation (UDA) semantic segmentation. Existing feature alignment methods for semantic segmentation learn domain-invariant features by adversarial training to reduce domain discrepancy, but they have two limits: 1) associations among pixels are not maintained, 2) the classifier trained on the source domain couldn't adapted well to the target. In this paper, we propose a new UDA semantic segmentation approach based on domain closeness assumption to alleviate the above problems. Specifically, a prototype clustering strategy is applied to cluster pixels with the same semantic, which will better maintain associations among target domain pixels during the feature alignment. After clustering, to make the classifier more adaptive, a normalized cut loss based on the affinity graph of the target domain is utilized, which will make the decision boundary target-specific. Sufficient experiments conducted on GTA5 $\rightarrow$ Cityscapes and SYNTHIA $\rightarrow$ Cityscapes proved the effectiveness of our method, which illustrated that our results achieved the new state-of-the-art.
• Abstract（参考訳）: ドメイン間の機能アライメントは、Unsupervised Domain Adaptation (UDA) セマンティックセグメンテーションの主流メソッドの1つである。 既存のセグメンテーションのための特徴アライメント手法は,ドメインの差分を減らそうとする対角訓練によってドメイン不変の特徴を学習するが,それらには2つの限界がある: 1)ピクセル間の関連は維持されない; 2)ソースドメインで訓練された分類器はターゲットにうまく適応できない。 本稿では、上記の問題を緩和するために、ドメイン密接性仮定に基づく新しいudaセマンティクスセグメンテーション手法を提案する。 具体的には、同じ意味を持つクラスタピクセルに対して、プロトタイプのクラスタリング戦略を適用し、機能アライメント中にターゲットドメインピクセル間の関連性をよりよく維持する。 クラスタリング後、分類器をより適応させるため、対象領域の親和性グラフに基づく正規化カット損失を利用して、決定境界を目標固有にする。 GTA5$\rightarrow$CityscapesとSynTHIA$\rightarrow$Cityscapesで実施した十分な実験により,本手法の有効性が証明された。

関連論文リスト

• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
  教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
  論文  参考訳（メタデータ） (2022-04-05T11:17:19Z)
• Multi-Level Features Contrastive Networks for Unsupervised Domain Adaptation [6.934905764152813]
  教師なしのドメイン適応は、ラベル付きソースドメインからモデルをトレーニングし、ラベルなしのターゲットドメインで予測することを目的としています。 既存のメソッドは2つのドメインをドメインレベルに直接アライメントするか、あるいは深い機能に基づいてクラスレベルのドメインアライメントを実行する傾向があります。 本稿では,クラスレベルのアライメント手法について述べる。
  論文  参考訳（メタデータ） (2021-09-14T09:23:27Z)
• 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)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• 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)
• 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。