論文の概要: Learning Cascaded Detection Tasks with Weakly-Supervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2107.04523v1
• Date: Fri, 9 Jul 2021 16:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:46:11.253694
• Title: Learning Cascaded Detection Tasks with Weakly-Supervised Domain Adaptation
• Title（参考訳）: 弱教師付き領域適応によるカスケード検出タスクの学習
• Authors: Niklas Hanselmann, Nick Schneider, Benedikt Ortelt and Andreas Geiger
• Abstract要約: 本稿では,カスケード検出タスクの構造を利用した弱教師付きドメイン適応設定を提案する。 特に、2Dバウンディングボックスを両方のドメインの弱いラベルとして活用しながら、ソースドメインからのみ属性を推測することを学ぶ。 実験の結果,提案手法は完全教師付き設定と競合する一方で,教師なし適応手法よりも大きなマージンで優れていた。
• 参考スコア（独自算出の注目度）: 44.420874740728095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to handle the challenges of autonomous driving, deep learning has proven to be crucial in tackling increasingly complex tasks, such as 3D detection or instance segmentation. State-of-the-art approaches for image-based detection tasks tackle this complexity by operating in a cascaded fashion: they first extract a 2D bounding box based on which additional attributes, e.g. instance masks, are inferred. While these methods perform well, a key challenge remains the lack of accurate and cheap annotations for the growing variety of tasks. Synthetic data presents a promising solution but, despite the effort in domain adaptation research, the gap between synthetic and real data remains an open problem. In this work, we propose a weakly supervised domain adaptation setting which exploits the structure of cascaded detection tasks. In particular, we learn to infer the attributes solely from the source domain while leveraging 2D bounding boxes as weak labels in both domains to explain the domain shift. We further encourage domain-invariant features through class-wise feature alignment using ground-truth class information, which is not available in the unsupervised setting. As our experiments demonstrate, the approach is competitive with fully supervised settings while outperforming unsupervised adaptation approaches by a large margin.
• Abstract（参考訳）: 自動運転の課題に対処するために、ディープラーニングは、3d検出やインスタンスセグメンテーションなど、ますます複雑なタスクに取り組む上で重要であることが証明されている。 画像に基づく検出タスクに対する最先端のアプローチは、カスケードな方法で操作することで、この複雑さに対処している。 仮面は推測される。 これらの手法はうまく機能するが、様々なタスクに対する正確で安価なアノテーションが欠如していることは依然として大きな課題である。 合成データは有望な解であるが、ドメイン適応研究の努力にもかかわらず、合成データと実際のデータのギャップは未解決の問題である。 本研究では,逐次的検出タスクの構造を生かした弱教師付き領域適応設定を提案する。 特に、2dバウンディングボックスを両方のドメインの弱いラベルとして活用しながら、ソースドメインのみから属性を推測し、ドメインシフトを説明することを学びます。 さらに,教師なし設定では利用できない基底クラス情報を用いて,クラス毎の機能アライメントを通じて,ドメイン不変機能を奨励する。 実験の結果,提案手法は完全教師付き設定と競合する一方で,教師なし適応手法よりも大きなマージンで優れていた。

関連論文リスト

• 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)
• Task-specific Inconsistency Alignment for Domain Adaptive Object Detection [38.027790951157705]
  大量のラベル付きデータでトレーニングされた検出器は、データ分散ギャップのある特定のシナリオで劇的なパフォーマンス劣化を示すことが多い。 本稿では,タスク固有の不整合アライメント(TIA)を提案する。 TIAは,従来の最先端手法よりも,様々なシナリオにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2022-03-29T08:36:33Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection [34.18382705952121]
  Unlabelled Domain Adaptive Object Detectionは、ラベル付きソースドメインから監視されていないターゲットドメインへのディテクタの適応を目指している。 対比学習は、ドメイン間のグローバル分布を単に整列させるだけで、整列されたサンプルの整列を損なう可能性があります。 我々は,条件付き逆学習を導入した不確実性認識型ドメイン適応ネットワーク(uadan)を設計した。
  論文  参考訳（メタデータ） (2021-02-27T15:04:07Z)
• Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-07-27T01:21:18Z)
• 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。