論文の概要: Self-training Guided Adversarial Domain Adaptation For Thermal Imagery

• arxiv url: http://arxiv.org/abs/2106.07165v1
• Date: Mon, 14 Jun 2021 05:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 04:19:34.015692
• Title: Self-training Guided Adversarial Domain Adaptation For Thermal Imagery
• Title（参考訳）: 自己学習ガイド付き熱画像領域適応法
• Authors: Ibrahim Batuhan Akkaya, Fazil Altinel, Ugur Halici
• Abstract要約: RGB対熱画像ペアを必要としない教師なし領域適応法を提案する。 我々は、大規模RGBデータセットMS-COCOをソースドメインとして、熱データセットFLIR ADASをターゲットドメインとして採用する。 自己学習を行うために、対象熱領域のサンプルに擬似ラベルを割り当て、対象熱領域のより一般的な表現を学習する。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep models trained on large-scale RGB image datasets have shown tremendous success. It is important to apply such deep models to real-world problems. However, these models suffer from a performance bottleneck under illumination changes. Thermal IR cameras are more robust against such changes, and thus can be very useful for the real-world problems. In order to investigate efficacy of combining feature-rich visible spectrum and thermal image modalities, we propose an unsupervised domain adaptation method which does not require RGB-to-thermal image pairs. We employ large-scale RGB dataset MS-COCO as source domain and thermal dataset FLIR ADAS as target domain to demonstrate results of our method. Although adversarial domain adaptation methods aim to align the distributions of source and target domains, simply aligning the distributions cannot guarantee perfect generalization to the target domain. To this end, we propose a self-training guided adversarial domain adaptation method to promote generalization capabilities of adversarial domain adaptation methods. To perform self-training, pseudo labels are assigned to the samples on the target thermal domain to learn more generalized representations for the target domain. Extensive experimental analyses show that our proposed method achieves better results than the state-of-the-art adversarial domain adaptation methods. The code and models are publicly available.
• Abstract（参考訳）: 大規模rgbイメージデータセットでトレーニングされた深層モデルは、大きな成功を収めている。 このような深層モデルを実世界問題に適用することが重要である。 しかし、これらのモデルは照明変更時にパフォーマンスのボトルネックに悩まされる。 サーマル赤外線カメラはこのような変化に対してより堅牢であり、実世界の問題に非常に有用である。 特徴量の多い可視光スペクトルと熱画像モダリティを組み合わせることで、RGB対熱画像ペアを必要としない教師なし領域適応法を提案する。 我々は,大規模RGBデータセットMS-COCOをソースドメインとして,熱データセットFLIR ADASをターゲットドメインとして,本手法の結果を示す。 敵領域適応法は、ソース領域とターゲット領域の分布を整列することを目的としているが、単純に分布を整列させることは、対象領域への完全一般化を保証することはできない。 そこで本研究では,自己学習指導型対向領域適応法を提案し,対向領域適応法の一般化能力を促進する。 自己学習を行うには、ターゲットのサーマルドメインのサンプルに擬似ラベルを割り当てて、ターゲットドメインのより一般的な表現を学ぶ。 実験結果から,提案手法は最先端の対向領域適応法よりも優れた結果が得られることが示された。 コードとモデルは公開されている。

関連論文リスト

• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Spectral Transfer Guided Active Domain Adaptation For Thermal Imagery [1.911678487931003]
  本稿では,可視スペクトルと熱画像量を組み合わせた有効領域適応手法を提案する。 我々は、大規模可視スペクトルデータセットMS-COCOをソースドメインとして、熱データセットFLIR ADASをターゲットドメインとして使用した。 提案手法は最先端のアクティブドメイン適応法より優れている。
  論文  参考訳（メタデータ） (2023-04-14T10:04:42Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• 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)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。