論文の概要: Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2108.12611v1
- Date: Sat, 28 Aug 2021 09:29:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:43:39.861599
- Title: Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images
- Title（参考訳）: リモートセンシング画像の道路分割のための適応的自己訓練による段階的教師なし領域適応
- Authors: Lefei Zhang, Meng Lan, Jing Zhang, Dacheng Tao
- Abstract要約: リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 93.50240389540252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road segmentation from remote sensing images is a challenging task with wide
ranges of application potentials. Deep neural networks have advanced this field
by leveraging the power of large-scale labeled data, which, however, are
extremely expensive and time-consuming to acquire. One solution is to use cheap
available data to train a model and deploy it to directly process the data from
a specific application domain. Nevertheless, the well-known domain shift (DS)
issue prevents the trained model from generalizing well on the target domain.
In this paper, we propose a novel stagewise domain adaptation model called
RoadDA to address the DS issue in this field. In the first stage, RoadDA adapts
the target domain features to align with the source ones via generative
adversarial networks (GAN) based inter-domain adaptation. Specifically, a
feature pyramid fusion module is devised to avoid information loss of long and
thin roads and learn discriminative and robust features. Besides, to address
the intra-domain discrepancy in the target domain, in the second stage, we
propose an adversarial self-training method. We generate the pseudo labels of
target domain using the trained generator and divide it to labeled easy split
and unlabeled hard split based on the road confidence scores. The features of
hard split are adapted to align with the easy ones using adversarial learning
and the intra-domain adaptation process is repeated to progressively improve
the segmentation performance. Experiment results on two benchmarks demonstrate
that RoadDA can efficiently reduce the domain gap and outperforms
state-of-the-art methods.
- Abstract（参考訳）: リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
ディープニューラルネットワークは、大規模ラベル付きデータのパワーを活用することによって、この分野を進歩させてきた。
ひとつの解決策は、安価な利用可能なデータを使ってモデルをトレーニングし、それをデプロイして、特定のアプリケーションドメインから直接データを処理することです。
それでも、よく知られたドメインシフト(DS)問題は、トレーニングされたモデルがターゲットドメイン上でうまく一般化することを妨げる。
本稿では,この分野におけるDS問題に対処するため,RoadDAと呼ばれる段階的ドメイン適応モデルを提案する。
最初の段階では、RoadDAはターゲットドメインの特徴をGAN(Generative Adversarial Network)ベースのドメイン間適応を介してソースドメインと整合させる。
特に、長細い道路の情報損失を回避し、識別的でロバストな特徴を学ぶために、特徴ピラミッド融合モジュールが考案されている。
また,対象ドメインにおけるドメイン内不一致に対処するため,第2段階では,対向自己学習法を提案する。
我々は、訓練されたジェネレータを用いてターゲットドメインの擬似ラベルを生成し、道路信頼度スコアに基づいて、容易な分割と未ラベルのハード分割に分割する。
ハード分割の特徴は、対角学習を用いた容易な特徴と整合し、ドメイン内適応プロセスを繰り返してセグメント化性能を段階的に改善する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
関連論文リスト
- Contrastive Adversarial Training for Unsupervised Domain Adaptation [2.432037584128226]
様々なドメイン適応タスクにおいて、ドメイン逆行訓練がうまく採用されている。
大規模なモデルでは、敵のトレーニングがソースドメインに偏りやすく、ターゲットドメインにはほとんど適応しない。
本稿では、ラベル付きソースドメインのサンプルを利用して、ターゲットドメインの機能生成を強化・調整するコントラッシブ・逆行訓練(CAT)手法を提案する。
論文 参考訳（メタデータ） (2024-07-17T17:59:21Z) - Improve Cross-domain Mixed Sampling with Guidance Training for Adaptive Segmentation [9.875170018805768]
教師なしのドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを調整し、追加のアノテーションを必要とせずにターゲットドメインでうまく機能させる。
本稿では,指導訓練という新しい補助課題を提案する。
本課題は,実世界の分散シフトを緩和しつつ,クロスドメイン混合サンプリング手法の有効利用を促進する。
既存の手法と統合し、継続的に性能を向上することで、我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-22T07:12:48Z) - Threshold-adaptive Unsupervised Focal Loss for Domain Adaptation of
Semantic Segmentation [25.626882426111198]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は近年研究の注目を集めている。
本稿では,セマンティックセグメンテーションのための2段階エントロピーに基づくUDA手法を提案する。
本稿では,DeepLabV2を用いたSynTHIA-to-CityscapesとGTA5-to-Cityscapesにおける最先端の58.4%と59.6%のmIoUと,軽量BiSeNetを用いた競合性能を実現する。
論文 参考訳（メタデータ） (2022-08-23T03:48:48Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。
低信頼度サンプルの処理による新しいコントラスト学習法を提案する。
提案手法を教師なしと半教師付きの両方のDA設定で評価する。
論文 参考訳（メタデータ） (2022-02-06T15:45:45Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2021-05-05T11:55:53Z) - Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive
Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。
私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文 参考訳（メタデータ） (2021-04-22T13:39:12Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳（メタデータ） (2020-12-04T14:28:19Z) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T15:24:11Z)
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。