論文の概要: Zero-Shot Domain Adaptation with a Physics Prior

• arxiv url: http://arxiv.org/abs/2108.05137v1
• Date: Wed, 11 Aug 2021 10:28:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:28:14.756319
• Title: Zero-Shot Domain Adaptation with a Physics Prior
• Title（参考訳）: 物理先行したゼロショット領域適応
• Authors: Attila Lengyel and Sourav Garg and Michael Milford and Jan C. van Gemert
• Abstract要約: 従来のドメイン適応設定では、テストセットからラベルなしのデータサンプルを利用することで、あるドメインでトレーニングし、ターゲットドメインに適応する。 我々は、物理に基づく反射モデルから派生した視覚的帰納的先行を領域適応に活用する。 色不変層は,ネットワーク全体の特徴マップ活性化の日中分布シフトを減少させることを示す。
• 参考スコア（独自算出の注目度）: 39.424545456601074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the zero-shot setting for day-night domain adaptation. The traditional domain adaptation setting is to train on one domain and adapt to the target domain by exploiting unlabeled data samples from the test set. As gathering relevant test data is expensive and sometimes even impossible, we remove any reliance on test data imagery and instead exploit a visual inductive prior derived from physics-based reflection models for domain adaptation. We cast a number of color invariant edge detectors as trainable layers in a convolutional neural network and evaluate their robustness to illumination changes. We show that the color invariant layer reduces the day-night distribution shift in feature map activations throughout the network. We demonstrate improved performance for zero-shot day to night domain adaptation on both synthetic as well as natural datasets in various tasks, including classification, segmentation and place recognition.
• Abstract（参考訳）: 昼夜領域適応のためのゼロショット設定について検討する。 従来のドメイン適応設定は、テストセットからラベルのないデータサンプルを活用して、ひとつのドメインでトレーニングし、ターゲットドメインに適応する。 関連するテストデータの収集は費用がかかり、場合によっては不可能になるため、テストデータイメージへの依存をなくし、代わりに物理ベースのリフレクションモデルから派生したビジュアルインダクティブをドメイン適応に利用します。 畳み込みニューラルネットワークにおいて,色不変エッジ検出器を学習可能な層として配置し,照明変化に対するロバスト性を評価した。 色不変層は,ネットワーク全体の特徴マップ活性化の日中分布シフトを減少させることを示す。 本研究では,合成と自然データセットの両方におけるゼロショット・デイ・ナイト領域適応の性能向上を,分類,セグメンテーション,場所認識など様々なタスクで実証した。

関連論文リスト

• Learning Visual Conditioning Tokens to Correct Domain Shift for Fully Test-time Adaptation [24.294049653744185]
  トランスを用いた画像分類では、第1変圧器エンコーダ層のクラストークンを学習して、テスト時間適応時のターゲットサンプルのドメイン固有の特性をキャプチャすることができる。 本稿では,ドメイン固有の特徴の長期的変動を捉えつつ,インスタンス固有の特徴の局所的変動を調節する二段階学習手法を提案する。 提案手法により,テスト時間適応性能を最大1.9%向上させることができる。
  論文  参考訳（メタデータ） (2024-06-27T17:16:23Z)
• ShadowSense: Unsupervised Domain Adaptation and Feature Fusion for Shadow-Agnostic Tree Crown Detection from RGB-Thermal Drone Imagery [7.2038295985918825]
  本稿では,リモートセンシングデータから木冠の影を検出する新しい手法を提案する。 提案手法(ShadowSense)は完全に自己教師型であり,ソースドメインアノテーションを使わずにドメインの敵対的トレーニングを活用する。 その後、両モードの相補的な情報を融合し、RGBで訓練された検出器の予測を効果的に改善する。
  論文  参考訳（メタデータ） (2023-10-24T22:01:14Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
  低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。 この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。 我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:50:15Z)
• Domain Adaptive Object Detection for Autonomous Driving under Foggy Weather [25.964194141706923]
  本稿では,霧気候下での自律走行のための新しい領域適応型物体検出フレームワークを提案する。 本手法は画像レベルの適応とオブジェクトレベルの適応を両立させ,画像スタイルとオブジェクトの外観における領域差を低減させる。 評価実験の結果,提案手法の有効性と精度が示された。
  論文  参考訳（メタデータ） (2022-10-27T05:09:10Z)
• Feather-Light Fourier Domain Adaptation in Magnetic Resonance Imaging [2.024988885579277]
  ディープラーニングモデルの一般化性は、列車(ソースドメイン)とテスト(ターゲットドメイン)セットの分布の違いによって大きく影響を受ける可能性がある。 テスト時間領域適応を実現するための,極めて軽量かつ透明なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-31T17:28:42Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• 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)
• Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
  我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。 対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2020-07-08T10:54:21Z)
• 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)

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。