論文の概要: LabOR: Labeling Only if Required for Domain Adaptive Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2108.05570v1
• Date: Thu, 12 Aug 2021 07:35:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 14:35:18.712675
• Title: LabOR: Labeling Only if Required for Domain Adaptive Semantic Segmentation
• Title（参考訳）: LabOR: ドメイン適応セマンティックセマンティックセグメンテーションに必要な場合のみラベリング
• Authors: Inkyu Shin, Dong-jin Kim, Jae Won Cho, Sanghyun Woo, Kwanyong Park, In So Kweon
• Abstract要約: 本稿では,UDAモデルが不確実な点に対して,少ないラベルを適応的に付与する手法を提案する。 作業コストを最小化しつつ、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のための新しいフレームワークの利点を示す。
• 参考スコア（独自算出の注目度）: 79.96052264984469
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) for semantic segmentation has been actively studied to mitigate the domain gap between label-rich source data and unlabeled target data. Despite these efforts, UDA still has a long way to go to reach the fully supervised performance. To this end, we propose a Labeling Only if Required strategy, LabOR, where we introduce a human-in-the-loop approach to adaptively give scarce labels to points that a UDA model is uncertain about. In order to find the uncertain points, we generate an inconsistency mask using the proposed adaptive pixel selector and we label these segment-based regions to achieve near supervised performance with only a small fraction (about 2.2%) ground truth points, which we call "Segment based Pixel-Labeling (SPL)". To further reduce the efforts of the human annotator, we also propose "Point-based Pixel-Labeling (PPL)", which finds the most representative points for labeling within the generated inconsistency mask. This reduces efforts from 2.2% segment label to 40 points label while minimizing performance degradation. Through extensive experimentation, we show the advantages of this new framework for domain adaptive semantic segmentation while minimizing human labor costs.
• Abstract（参考訳）: セマンティックセグメンテーションのための教師なしドメイン適応(UDA)は、ラベル豊富なソースデータとラベルなしターゲットデータの間のドメインギャップを軽減するために活発に研究されている。 こうした努力にもかかわらず、udaは依然として完全に監督されたパフォーマンスに到達するための長い道のりがある。 そこで,本研究では,UDAモデルが不確実である点に対して,少ないラベルを適応的に付与する手法を提案する。 この不確実点を見つけるために,提案した適応画素セレクタを用いて不整合マスクを生成し,これらのセグメントベース領域をラベル付けして,少数(約2.2%)の接地真理点しか持たないほぼ教師付き性能を実現し,これを「セグメンションベースPixel-Labeling(SPL)」と呼ぶ。 また,人間のアノテータの努力をさらに軽減するため,生成した不整合マスク内でのラベル付けを最も代表する「ポイントベースPixel-Labeling (PPL)」を提案する。 これにより、性能劣化を最小限に抑えつつ、2.2%のセグメントラベルから40のポイントラベルへの労力を削減できる。 広範な実験を通じて、この新たなフレームワークの、人間の労働コストを最小限に抑えながら、ドメイン適応意味セグメンテーションの利点を示す。

関連論文リスト

• Fast One-Stage Unsupervised Domain Adaptive Person Search [17.164485293539833]
  教師なしの人物探索は、アノテーションなしでシーンイメージのギャラリーセットから特定の対象人物をローカライズすることを目的としている。 本稿では,補完的なドメイン適応とラベル適応を統合したファストワンステージ非教師者探索(FOUS)を提案する。 Fousは、CUHK-SYSUとPRWという2つのベンチマークデータセット上で、最先端(SOTA)のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-05T07:15:47Z)
• Regularizing Self-training for Unsupervised Domain Adaptation via Structural Constraints [14.593782939242121]
  本稿では,従来の自己学習目標を正規化するために,奥行きなどの補助的モーダルから構造的手がかりを取り入れることを提案する。 具体的には、オブジェクトインスタンスの近い領域内でピクセル表現をプルする、対照的なピクセルレベルのオブジェクト性制約を導入する。 セマンティックセグメンテーションのための様々な UDA ベンチマークにおいて,正則化器は最上位の自己学習手法を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-04-29T00:12:26Z)
• 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)
• Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation [31.50802009879241]
  ドメイン適応セマンティックセグメンテーション(Domain Adaptive semantic segmentation)は、ソースドメインデータの監視によってモデルを学習し、ラベルなしのターゲットドメイン上で密度の高い予測を生成することを目的としている。 この課題に対する一般的な解決策の1つは自己学習であり、ターゲットサンプルのハイスコア予測をトレーニング用の擬似ラベルとして選択する。 本稿では,ソース領域に強く依存するのではなく,対象領域データの固有画素分布を直接探索することを提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:56:20Z)
• Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
  深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。 肝セグメンテーションにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-08-19T01:51:04Z)
• 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)
• Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
  本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:33:57Z)
• 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。