論文の概要: Unsupervised Domain Adaption of Object Detectors: A Survey

• arxiv url: http://arxiv.org/abs/2105.13502v1
• Date: Thu, 27 May 2021 23:34:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:48:53.656103
• Title: Unsupervised Domain Adaption of Object Detectors: A Survey
• Title（参考訳）: オブジェクト検出器の教師なしドメイン適応:サーベイ
• Authors: Poojan Oza, Vishwanath A. Sindagi, Vibashan VS, Vishal M. Patel
• Abstract要約: 近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
• 参考スコア（独自算出の注目度）: 87.08473838767235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep learning have led to the development of accurate and efficient models for various computer vision applications such as object classification, semantic segmentation, and object detection. However, learning highly accurate models relies on the availability of datasets with a large number of annotated images. Due to this, model performance drops drastically when evaluated on label-scarce datasets having visually distinct images. This issue is commonly referred to as covariate shift or dataset bias. Domain adaptation attempts to address this problem by leveraging domain shift characteristics from labeled data in a related domain when learning a classifier for label-scarce target dataset. There are a plethora of works to adapt object classification and semantic segmentation models to label-scarce target dataset through unsupervised domain adaptation. Considering that object detection is a fundamental task in computer vision, many recent works have recently focused on addressing the domain adaptation issue for object detection as well. In this paper, we provide a brief introduction to the domain adaptation problem for object detection and present an overview of various methods proposed to date for addressing this problem. Furthermore, we highlight strategies proposed for this problem and the associated shortcomings. Subsequently, we identify multiple aspects of the unsupervised domain adaptive detection problem that are most promising for future research in the area. We believe that this survey shall be valuable to the pattern recognition experts working in the fields of computer vision, biometrics, medical imaging, and autonomous navigation by introducing them to the problem, getting them familiar with the current status of the progress, and providing them with promising direction for future research.
• Abstract（参考訳）: 近年のディープラーニングの進歩は、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出など、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 しかし、高精度なモデルの学習は、大量の注釈付き画像を含むデータセットの可用性に依存している。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。 この問題は一般的に、共変量シフトまたはデータセットバイアスと呼ばれる。 ドメイン適応は、ラベルスカースターゲットデータセットの分類器を学習する際に、関連するドメイン内のラベル付きデータからドメインシフト特性を活用することでこの問題に対処しようとする。 オブジェクト分類とセマンティックセグメンテーションモデルを、教師なしドメイン適応を通じてラベル/スカースターゲットデータセットに適応させる作業は数多く存在する。 オブジェクト検出がコンピュータビジョンの基本的なタスクであることを考えると、最近の多くの研究は、最近オブジェクト検出のドメイン適応問題にも焦点を当てている。 本稿では,オブジェクト検出のための領域適応問題の簡単な紹介と,この問題に対処するために提案されている様々な手法の概要を紹介する。 さらに,この問題に対して提案する戦略と,それに伴う欠点を浮き彫りにする。 次に,この分野の将来研究に最も有望な教師なし領域適応検出問題の複数の側面を明らかにする。 この調査は、コンピュータビジョン、バイオメトリックス、医療画像、自律ナビゲーションの分野で働くパターン認識の専門家にとって、問題にそれらを導入し、進捗状況に精通させ、将来の研究に有望な方向性を提供することにより、有用であると信じている。

関連論文リスト

• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Zero-shot Degree of Ill-posedness Estimation for Active Small Object Change Detection [8.977792536037956]
  日常的な屋内ナビゲーションでは、ロボットは区別できない小さな変化物体を検出する必要がある。 既存の技術は、変更検出モデルを正規化するために、高品質なクラス固有オブジェクトに依存している。 本研究では,受動とアクティブビジョンの両方を改善するために,DoIの概念を検討する。
  論文  参考訳（メタデータ） (2024-05-10T01:56:39Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• A Survey of Self-Supervised and Few-Shot Object Detection [19.647681501581225]
  自己教師付き手法は、オブジェクト検出などの下流タスクにうまく転送されるラベルのないデータから表現を学習することを目的としている。 ほとんどショットされていないオブジェクト検出は、ほとんどデータを持たない新しい(見えない)オブジェクトクラスのモデルをトレーニングすることです。 本調査では, 少数ショット・自己監督型物体検出における最新のアプローチを概観し, 特徴付けする。
  論文  参考訳（メタデータ） (2021-10-27T18:55:47Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Co-training for On-board Deep Object Detection [0.0]
  人間のラベル付きバウンディングボックスを頼りにすることにより、最高のディープビジョンベースのオブジェクト検出器を教師付きで訓練する。 共同学習は、未ラベル画像における自己ラベルオブジェクトの半教師付き学習手法である。 我々は、協調学習がオブジェクトのラベル付けを緩和し、タスクに依存しないドメイン適応と単独で作業するためのパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-08-12T19:08:59Z)
• One-Shot Unsupervised Cross-Domain Detection [33.04327634746745]
  本稿では,テスト時に見られる対象サンプルを1つだけ使用することにより,ドメイン間の非教師なし適応を実現できるオブジェクト検出アルゴリズムを提案する。 これを実現するために、単発で任意のサンプルに適応するマルチタスクアーキテクチャを導入し、その上で自己教師型タスクを反復的に解決する。
  論文  参考訳（メタデータ） (2020-05-23T22:12:20Z)
• Adaptive Object Detection with Dual Multi-Label Prediction [78.69064917947624]
  本稿では,適応オブジェクト検出のための新しいエンド・ツー・エンドの非教師付き深部ドメイン適応モデルを提案する。 モデルはマルチラベル予測を利用して、各画像内の対象カテゴリ情報を明らかにする。 本稿では,オブジェクト検出を支援するための予測整合正則化機構を提案する。
  論文  参考訳（メタデータ） (2020-03-29T04:23:22Z)

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。