論文の概要: BiMaL: Bijective Maximum Likelihood Approach to Domain Adaptation in Semantic Scene Segmentation

• arxiv url: http://arxiv.org/abs/2108.03267v1
• Date: Fri, 6 Aug 2021 18:29:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:33:25.421962
• Title: BiMaL: Bijective Maximum Likelihood Approach to Domain Adaptation in Semantic Scene Segmentation
• Title（参考訳）: bimal: bijective maximum likelihood approach to domain adaptation in semantic scene segmentation
• Authors: Thanh-Dat Truong, Chi Nhan Duong, Ngan Le, Son Lam Phung, Chase Rainwater, Khoa Luu
• Abstract要約: 我々は、教師なしの方法で新しいターゲットドメイン上で学習モデルの効率を測定するために、新しいUn-aligned Domain Scoreを導入する。 次に, 対数エントロピー最小化の一般化形式であるBijective Likelihood Maximum(BiMaL)損失を新たに提示する。 BiMaLアプローチは、"SyNTHIA to Cityscapes"、"GTA5 to Cityscapes"、"SyNTHIA to Vistas"の実証実験において、SOTA法よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 23.41775764963203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation aims to predict pixel-level labels. It has become a popular task in various computer vision applications. While fully supervised segmentation methods have achieved high accuracy on large-scale vision datasets, they are unable to generalize on a new test environment or a new domain well. In this work, we first introduce a new Un-aligned Domain Score to measure the efficiency of a learned model on a new target domain in unsupervised manner. Then, we present the new Bijective Maximum Likelihood(BiMaL) loss that is a generalized form of the Adversarial Entropy Minimization without any assumption about pixel independence. We have evaluated the proposed BiMaL on two domains. The proposed BiMaL approach consistently outperforms the SOTA methods on empirical experiments on "SYNTHIA to Cityscapes", "GTA5 to Cityscapes", and "SYNTHIA to Vistas".
• Abstract（参考訳）: セマンティックセグメンテーションはピクセルレベルのラベルを予測することを目的としている。 様々なコンピュータビジョンアプリケーションで一般的なタスクとなっている。 完全教師付きセグメンテーション手法は大規模ビジョンデータセットでは高い精度を実現しているが、新しいテスト環境や新しいドメインをうまく一般化することはできない。 本研究では、まず、教師なしの方法で新しい対象領域における学習モデルの効率を測定するために、新しいUn-aligned Domain Scoreを導入する。 次に, 画素独立性を仮定することなく, 対数エントロピー最小化の一般化形式であるBiMaL(Bijective Maximum Likelihood)の損失を新たに提示する。 提案したBiMaLを2つの領域で評価した。 提案したBiMaLアプローチは、"SyNTHIA to Cityscapes"、"GTA5 to Cityscapes"、"SyNTHIA to Vistas"といった経験的実験において、SOTA法よりも一貫して優れている。

関連論文リスト

• Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
  ドメインの一般化は機械学習において難しい課題である。 現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。 これらのリスクに対処する新しいDGパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-05-24T22:13:31Z)
• Hyperbolic Active Learning for Semantic Segmentation under Domain Shift [45.051035873942276]
  HALOは、ドメインシフトの下でセマンティックセグメンテーションをアクティブに学習する上で、新たな最先端を設定できる。 これは、少数のラベルを使用しながら、教師付きドメイン適応の性能を上回る最初のアクティブな学習手法である。
  論文  参考訳（メタデータ） (2023-06-19T22:07:20Z)
• CoMaL: Conditional Maximum Likelihood Approach to Self-supervised Domain Adaptation in Long-tail Semantic Segmentation [16.18345411770557]
  長い尾のセマンティックセマンティックセグメンテーションに取り組むために,新しい自己教師付きドメイン適応手法を提案する。 セグメンテーション問題におけるロングテール領域適応を定式化するために、新しい計量法が導入された。 自己回帰フレームワークにおける新しい最大条件類似(CoMaL)アプローチを提案し,その問題を解決する。
  論文  参考訳（メタデータ） (2023-04-14T20:06:44Z)
• 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)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation [34.790169990156684]
  私たちは、少数のラベル付きターゲットデータと大量のラベル付きソースデータが利用可能である半監視ドメイン適応(SSDA)のより実用的な設定に焦点を当てています。 領域レベルとサンプルレベルのドメインギャップを低減する2種類のデータミキシング手法を提案する。 総合的視点と部分的視点から2段階の混合データに基づいて,2つの相補的ドメイン混合教師を得ることができる。
  論文  参考訳（メタデータ） (2021-03-08T12:33:17Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• 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。