論文の概要: Adversarial Semantic Hallucination for Domain Generalized Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2106.04144v1
• Date: Tue, 8 Jun 2021 07:07:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:55:55.402363
• Title: Adversarial Semantic Hallucination for Domain Generalized Semantic Segmentation
• Title（参考訳）: ドメイン一般化意味セグメンテーションのための逆意味幻覚
• Authors: Gabriel Tjio, Ping Liu, Joey Tianyi Zhou, Rick Siow Mong Goh
• Abstract要約: 本稿では,クラスワイド・幻覚モジュールとセマンティック・セグメンテーション・モジュールを組み合わせた対向幻覚手法を提案する。 対象とするドメインデータをトレーニングに使用できない場合に,提案手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 50.14933487082085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks may perform poorly when the test and train data are from different domains. While this problem can be mitigated by using the target domain data to align the source and target domain feature representations, the target domain data may be unavailable due to privacy concerns. Consequently, there is a need for methods that generalize well without access to target domain data during training. In this work, we propose an adversarial hallucination approach, which combines a class-wise hallucination module and a semantic segmentation module. Since the segmentation performance varies across different classes, we design a semantic-conditioned style hallucination layer to adaptively stylize each class. The classwise stylization parameters are generated from the semantic knowledge in the segmentation probability maps of the source domain image. Both modules compete adversarially, with the hallucination module generating increasingly 'difficult' style images to challenge the segmentation module. In response, the segmentation module improves its performance as it is trained with generated samples at an appropriate class-wise difficulty level. Experiments on state of the art domain adaptation work demonstrate the efficacy of our proposed method when no target domain data are available for training.
• Abstract（参考訳）: 畳み込みニューラルネットワークは、テストとトレーニングデータが異なるドメインからのものである場合、パフォーマンスが悪い可能性がある。 この問題は、ターゲットドメインデータを使用してソースとターゲットドメインの特徴表現を調整することで緩和できるが、プライバシ上の懸念からターゲットドメインデータは利用できない可能性がある。 そのため、トレーニング中にターゲットドメインデータにアクセスせずにうまく一般化するメソッドが必要となる。 本研究では,クラス毎の幻覚モジュールと意味セグメンテーションモジュールを組み合わせた逆幻覚アプローチを提案する。 セグメンテーション性能はクラスによって異なるため、各クラスを適応的にスタイリングする意味条件付きスタイル幻覚層を設計する。 ソース領域画像のセグメンテーション確率マップにおける意味知識から、クラス毎のスタイライゼーションパラメータを生成する。 どちらのモジュールも反対に競合し、幻覚モジュールはセグメンテーションモジュールに挑戦するためにますます「難しい」スタイルのイメージを生成する。 これに応答して、セグメンテーションモジュールは、生成されたサンプルで適切なクラス毎の難易度レベルでトレーニングされるため、パフォーマンスが向上する。 artドメイン適応作業の現状に関する実験は、トレーニング対象のドメインデータがない場合に提案手法の有効性を示すものである。

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)
• Phrase Grounding-based Style Transfer for Single-Domain Generalized Object Detection [109.58348694132091]
  単一ドメインの一般化オブジェクト検出は、複数の未確認対象ドメインに対するモデルの一般化性を高めることを目的としている。 これは、ターゲットのドメインデータをトレーニングに組み込むことなく、ドメインシフトに対処するモデルを必要とするため、実用的だが難しいタスクである。 そこで我々は,課題に対する新しい文節接頭辞に基づくスタイル伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:48:43Z)
• 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)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• SPCL: A New Framework for Domain Adaptive Semantic Segmentation via Semantic Prototype-based Contrastive Learning [6.705297811617307]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに知識を転送するのに役立ちます。 本稿では,クラスアライメントを微粒化するための新しい意味的プロトタイプに基づくコントラスト学習フレームワークを提案する。 我々の手法は実装が容易であり、最先端の手法と比較して優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-11-24T09:26:07Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応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について検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。