Fugu-MT 論文翻訳(概要): Adapting Vehicle Detector to Target Domain by Adversarial Prediction Alignment

論文の概要: Adapting Vehicle Detector to Target Domain by Adversarial Prediction Alignment

arxiv url: http://arxiv.org/abs/2107.02411v1
Date: Tue, 6 Jul 2021 06:21:39 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 13:47:50.405211
Title: Adapting Vehicle Detector to Target Domain by Adversarial Prediction Alignment
Title（参考訳）: 逆予測アライメントによる目標領域への車両検出の適応
Authors: Yohei Koga, Hiroyuki Miyazaki, Ryosuke Shibasaki
Abstract要約: 予測出力空間を整列するオブジェクト検出のための新しい領域適応手法を提案する。特徴のアライメントに加えて、敵の訓練による衛星画像に対する車両検出器の位置とクラス信頼性の予測を整列させた。
参考スコア（独自算出の注目度）: 5.144513690855333
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While recent advancement of domain adaptation techniques is significant, most of methods only align a feature extractor and do not adapt a classifier to target domain, which would be a cause of performance degradation. We propose novel domain adaptation technique for object detection that aligns prediction output space. In addition to feature alignment, we aligned predictions of locations and class confidences of our vehicle detector for satellite images by adversarial training. The proposed method significantly improved AP score by over 5%, which shows effectivity of our method for object detection tasks in satellite images.
Abstract（参考訳）: 近年のドメイン適応技術の進歩は重要であるが、ほとんどの手法は特徴抽出器を整列させ、ターゲット領域に分類器を適応させていないため、性能劣化の原因となる。予測出力空間を整列するオブジェクト検出のための新しい領域適応手法を提案する。特徴のアライメントに加えて、敵の訓練による衛星画像に対する車両検出器の位置とクラス信頼性の予測を調整した。提案手法は,衛星画像における物体検出タスクに対する効果を示すため,apスコアを5%以上向上させた。

関連論文リスト

DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
論文参考訳（メタデータ） (2024-05-20T03:48:45Z)
AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection [28.22783703278792]
特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR) ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
論文参考訳（メタデータ） (2023-03-27T16:51:51Z)
Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文参考訳（メタデータ） (2023-02-28T16:31:17Z)
Adversarially Trained Object Detector for Unsupervised Domain Adaptation [4.9631159466100305]
我々は、教師なし領域適応のための新しいアプローチとして、ソース領域における敵の訓練を適用できることを実証する。そこで本稿では,頑健な特徴と目標領域とのアライメントを改善するために,対角的トレーニングと特徴アライメントを組み合わせた手法を提案する。
論文参考訳（メタデータ） (2021-09-13T07:21:28Z)
Attention-based Domain Adaptation for Single Stage Detectors [75.88557558238841]
適応が焦点を置くべき重要な領域を特定するための注意機構を導入する。我々のアプローチは汎用的で、任意の単段検出器に統合できる。等価な単一ステージアーキテクチャでは、この手法は最先端のドメイン適応技術より優れている。
論文参考訳（メタデータ） (2021-06-14T10:30:44Z)
AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2021-06-10T05:01:20Z)
Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection [1.773576418078547]
トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。本研究では,Cityscapesデータセットとその合成変種について実験を行った。霧、雨、夜。
論文参考訳（メタデータ） (2021-03-25T16:59:35Z)
MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation [84.90801699807426]
本稿ではMetaAlignと呼ばれるメタ最適化に基づく効果的な戦略を提案する。ドメインアライメントの目的と分類の目的をメタ学習計画におけるメタトレーニングとメタテストのタスクとして扱う。実験結果は,アライメントに基づくベースラインアプローチを用いた提案手法の有効性を実証した。
論文参考訳（メタデータ） (2021-03-25T03:16:05Z)
Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
論文参考訳（メタデータ） (2021-01-29T18:40:17Z)
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文参考訳（メタデータ） (2020-03-23T13:40:06Z)
Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。