論文の概要: S4T: Source-free domain adaptation for semantic segmentation via
self-supervised selective self-training
- arxiv url: http://arxiv.org/abs/2107.10140v1
- Date: Wed, 21 Jul 2021 15:18:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 16:27:48.555452
- Title: S4T: Source-free domain adaptation for semantic segmentation via
self-supervised selective self-training
- Title（参考訳）: s4t: 自己教師付き選択的自己学習による意味セグメンテーションのためのソースフリードメイン適応
- Authors: Viraj Prabhu, Shivam Khare, Deeksha Kartik, Judy Hoffman
- Abstract要約: 我々は、セマンティックセグメンテーションのためのソースフリードメイン適応に焦点を当て、そこでは、未ラベルのターゲットデータのみを前提として、ソースモデルが新たなターゲットドメインに適応しなければならない。
本稿では,まず,各対象画像の多様なビューにまたがる画素レベルの予測一貫性と,画素予測を信頼あるいは信頼できないものとして分類するためのモデル信頼度を利用する,ソースフリー適応アルゴリズムであるSelf-Supervised Selective Self-Training (S4T)を提案する。
S4Tは、単一の適応のエポック内でセマンティックセグメンテーションのための3つの標準ベンチマークに対して、ソースフリー適応の最先端を一致または改善する。
- 参考スコア（独自算出の注目度）: 14.086066389856173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most modern approaches for domain adaptive semantic segmentation rely on
continued access to source data during adaptation, which may be infeasible due
to computational or privacy constraints. We focus on source-free domain
adaptation for semantic segmentation, wherein a source model must adapt itself
to a new target domain given only unlabeled target data. We propose
Self-Supervised Selective Self-Training (S4T), a source-free adaptation
algorithm that first uses the model's pixel-level predictive consistency across
diverse views of each target image along with model confidence to classify
pixel predictions as either reliable or unreliable. Next, the model is
self-trained, using predicted pseudolabels for reliable predictions and
pseudolabels inferred via a selective interpolation strategy for unreliable
ones. S4T matches or improves upon the state-of-the-art in source-free
adaptation on 3 standard benchmarks for semantic segmentation within a single
epoch of adaptation.
- Abstract（参考訳）: ドメイン適応セマンティックセグメンテーションの現代的なアプローチのほとんどは、適応中のソースデータへの継続的なアクセスに依存しているが、計算やプライバシの制約のために実現不可能である。
我々は、意味セグメンテーションのためのソースフリーなドメイン適応にフォーカスし、ソースモデルはラベルなしのターゲットデータのみを与えられた新しいターゲットドメインに適応しなければならない。
まず,各対象画像の多様なビューにまたがる画素レベルの予測一貫性と,モデル信頼度を用いて,信頼度または信頼性の低い画素予測を分類する,ソースフリー適応アルゴリズムであるs4tを提案する。
次に、モデルが自己学習され、予測された擬似ラベルを用いて信頼できる予測と、信頼できないものに対する選択的補間戦略によって推定される疑似ラベルを用いる。
S4Tは、単一の適応のエポック内でセマンティックセグメンテーションのための3つの標準ベンチマークに対して、ソースフリー適応の最先端を一致または改善する。
関連論文リスト
- Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with
Differentiable Expected Calibration Error [50.86671887712424]
ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。
ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。
校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-06T03:28:34Z) - Contrastive Model Adaptation for Cross-Condition Robustness in Semantic
Segmentation [58.17907376475596]
意味的セグメンテーションのための正規-逆条件モデル適応について検討する。
提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。
いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
論文 参考訳（メタデータ） (2023-03-09T11:48:29Z) - Dual Moving Average Pseudo-Labeling for Source-Free Inductive Domain
Adaptation [45.024029784248825]
教師なしドメイン適応は、ソースからターゲットドメインに知識を適用することによって、ディープラーニングにおけるデータアノテーションへの依存を減らす。
プライバシと効率上の懸念に対して、ソースフリーなドメイン適応は、トレーニング済みのソースモデルをラベルなしのターゲットドメインに適応することにより、教師なしのドメイン適応を拡張します。
本稿では,DMAPL (Dual moving Average Pseudo-Labeling) という半教師付きファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2022-12-15T23:20:13Z) - 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) - Source-Free Domain Adaptive Fundus Image Segmentation with Denoised
Pseudo-Labeling [56.98020855107174]
ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。
多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。
本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
論文 参考訳（メタデータ） (2021-09-19T06:38:21Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z) - Domain Adaptation Using Class Similarity for Robust Speech Recognition [24.951852740214413]
本稿では,クラス類似性を用いたディープニューラルネットワーク(DNN)音響モデルの新しい適応法を提案する。
実験の結果, アクセントと雑音適応の両タスクにおいて, ワンホットラベルを用いた微調整よりも優れていた。
論文 参考訳（メタデータ） (2020-11-05T12:26:43Z) - Learning from Scale-Invariant Examples for Domain Adaptation in Semantic
Segmentation [6.320141734801679]
本稿では,自己教師付きドメイン適応のためのセマンティックセグメンテーションモデルのスケール不変性を利用した新しいアプローチを提案する。
我々のアルゴリズムは、一般に、オブジェクトや物のサイズに関係なく、セマンティックなラベリングは変更すべきである、という合理的な仮定に基づいている。
この制約はターゲットドメインのイメージに反し、異なるスケールのパッチ間でラベルの転送に使用できることを示す。
論文 参考訳（メタデータ） (2020-07-28T19:40:45Z) - Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain
Adaptive Semantic Segmentation [49.295165476818866]
本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。
既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。
本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
論文 参考訳（メタデータ） (2020-03-08T12:37:19Z)
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。