論文の概要: PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency
Training
- arxiv url: http://arxiv.org/abs/2105.08128v1
- Date: Mon, 17 May 2021 19:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 14:16:01.359429
- Title: PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency
Training
- Title(参考訳): PixMatch: Pixelwise Consistency Trainingによる教師なしドメイン適応
- Authors: Luke Melas-Kyriazi and Arjun K. Manrai
- Abstract要約: 教師なしドメイン適応はセマンティックセグメンテーションの有望なテクニックである。
対象領域整合性訓練の概念に基づく非監視領域適応のための新しいフレームワークを提案する。
私たちのアプローチはシンプルで、実装が簡単で、トレーニング時にメモリ効率が向上します。
- 参考スコア(独自算出の注目度): 4.336877104987131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation is a promising technique for semantic
segmentation and other computer vision tasks for which large-scale data
annotation is costly and time-consuming. In semantic segmentation, it is
attractive to train models on annotated images from a simulated (source) domain
and deploy them on real (target) domains. In this work, we present a novel
framework for unsupervised domain adaptation based on the notion of
target-domain consistency training. Intuitively, our work is based on the idea
that in order to perform well on the target domain, a model's output should be
consistent with respect to small perturbations of inputs in the target domain.
Specifically, we introduce a new loss term to enforce pixelwise consistency
between the model's predictions on a target image and a perturbed version of
the same image. In comparison to popular adversarial adaptation methods, our
approach is simpler, easier to implement, and more memory-efficient during
training. Experiments and extensive ablation studies demonstrate that our
simple approach achieves remarkably strong results on two challenging
synthetic-to-real benchmarks, GTA5-to-Cityscapes and SYNTHIA-to-Cityscapes.
Code is available at: https://github.com/lukemelas/pixmatch
- Abstract(参考訳): 教師なしドメイン適応は、セマンティックセグメンテーションや他のコンピュータビジョンタスクにおいて、大規模データアノテーションがコストと時間を要する、有望なテクニックである。
セマンティックセグメンテーションでは、シミュレートされた(ソース)ドメインからアノテーション付きイメージのモデルをトレーニングし、実際の(ターゲット)ドメインにデプロイすることが魅力的である。
本稿では,対象領域間一貫性トレーニングの概念に基づく教師なし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。
直観的には、対象領域でうまく機能するためには、対象領域の入力の小さな摂動に関してモデルの出力が一貫性を持つべきであるという考えに基づいている。
具体的には、対象画像上のモデルの予測と、同じ画像の摂動バージョンとの画素的整合性を強制する新たな損失項を導入する。
一般的な逆適応法と比較すると,本手法はよりシンプルで,実装が容易であり,学習時のメモリ効率が向上する。
実験および広範囲のアブレーション研究により,本手法は,gta5-to-cityscapes と synthia-to-cityscapes の2つの難解な合成-実数ベンチマークにおいて,極めて強力な結果が得られることが示された。
https://github.com/lukemelas/pixmatch
関連論文リスト
- Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。
潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。
都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文 参考訳(メタデータ) (2022-12-07T18:16:17Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳(メタデータ) (2022-08-12T02:21:05Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳(メタデータ) (2020-12-09T12:40:13Z) - 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) - Semantically Adaptive Image-to-image Translation for Domain Adaptation
of Semantic Segmentation [1.8275108630751844]
街路シーンの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問題に対処する。
最先端のアプローチの多くは、結果が入力とセマンティックに一致していることを示しながら、ソースイメージの翻訳に重点を置いている。
画像のセマンティクスを利用して翻訳アルゴリズムを導くことも提案する。
論文 参考訳(メタデータ) (2020-09-02T16:16:50Z) - 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) - iFAN: Image-Instance Full Alignment Networks for Adaptive Object
Detection [48.83883375118966]
iFANは、イメージレベルとインスタンスレベルの両方で、機能の分散を正確に調整することを目的としている。
ソースのみのベースライン上で10%以上のAPで、最先端のメソッドよりも優れています。
論文 参考訳(メタデータ) (2020-03-09T13:27:06Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-09T19:00:35Z)
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。