論文の概要: Densely Semantic Enhancement for Domain Adaptive Region-free Detectors
- arxiv url: http://arxiv.org/abs/2108.13101v1
- Date: Mon, 30 Aug 2021 10:21:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:36:04.366423
- Title: Densely Semantic Enhancement for Domain Adaptive Region-free Detectors
- Title(参考訳): 領域適応型領域フリー検出器の密集性拡張
- Authors: Bo Zhang, Tao Chen, Bin Wang, Xiaofeng Wu, Liming Zhang, Jiayuan Fan
- Abstract要約: 教師なしドメイン適応オブジェクト検出は、元のソースドメインからトレーニング済みの検出器をラベルのない新しいターゲットドメインに適応させることを目的としている。
本研究では,非領域検出器のインスタンスレベル特徴のクロスドメインマッチングを強化するために,対向モジュールを提案する。
- 参考スコア(独自算出の注目度): 16.50870773197886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptive object detection aims to adapt a well-trained
detector from its original source domain with rich labeled data to a new target
domain with unlabeled data. Previous works focus on improving the domain
adaptability of region-based detectors, e.g., Faster-RCNN, through matching
cross-domain instance-level features that are explicitly extracted from a
region proposal network (RPN). However, this is unsuitable for region-free
detectors such as single shot detector (SSD), which perform a dense prediction
from all possible locations in an image and do not have the RPN to encode such
instance-level features. As a result, they fail to align important image
regions and crucial instance-level features between the domains of region-free
detectors. In this work, we propose an adversarial module to strengthen the
cross-domain matching of instance-level features for region-free detectors.
Firstly, to emphasize the important regions of image, the DSEM learns to
predict a transferable foreground enhancement mask that can be utilized to
suppress the background disturbance in an image. Secondly, considering that
region-free detectors recognize objects of different scales using multi-scale
feature maps, the DSEM encodes both multi-level semantic representations and
multi-instance spatial-contextual relationships across different domains.
Finally, the DSEM is pluggable into different region-free detectors, ultimately
achieving the densely semantic feature matching via adversarial learning.
Extensive experiments have been conducted on PASCAL VOC, Clipart, Comic,
Watercolor, and FoggyCityscape benchmarks, and their results well demonstrate
that the proposed approach not only improves the domain adaptability of
region-free detectors but also outperforms existing domain adaptive
region-based detectors under various domain shift settings.
- Abstract(参考訳): 教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータを持つ訓練済みの検出器を、ラベルなしデータを持つ新しいターゲットドメインに適応させることを目的としている。
以前の研究は、リージョン提案ネットワーク(RPN)から明示的に抽出されるクロスドメインインスタンスレベルの特徴をマッチングすることで、リージョンベースの検出器(例えば、Faster-RCNN)のドメイン適応性の改善に重点を置いていた。
しかし、これは画像内のすべての可能な場所から密集した予測を行い、そのようなインスタンスレベルの特徴を符号化するRPNを持たない単一ショット検出器(SSD)のような領域フリー検出器には適さない。
その結果、重要な画像領域と重要なインスタンスレベルの特徴を領域フリー検出器の領域間で整列させることに失敗した。
本研究では,非領域検出器のインスタンスレベル特徴のクロスドメインマッチングを強化するための対向モジュールを提案する。
まず、画像の重要な領域を強調するために、DSEMは、画像の背景乱れを抑制するために使用できる転送可能な前景拡張マスクを予測することを学ぶ。
第二に、領域非検出装置がマルチスケール特徴写像を用いて異なるスケールの物体を認識することを考えると、DSEMは多レベル意味表現と異なる領域にわたるマルチインスタンス空間-コンテキスト関係の両方を符号化する。
最後に、DSEMは異なる領域を含まない検出器にプラグイン可能であり、最終的には逆学習によって密集した意味的特徴マッチングを達成する。
PASCAL VOC, Clipart, Comic, Watercolor, FoggyCityscapeベンチマークで大規模な実験を行い, 提案手法が領域自由検出器の領域適応性を向上するだけでなく, ドメインシフト設定の既存領域適応型領域ベース検出器よりも優れていることを示した。
関連論文リスト
- Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-01T08:38:07Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳(メタデータ) (2022-12-07T14:12:34Z) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳(メタデータ) (2022-08-25T15:27:55Z) - Feature Transformation for Cross-domain Few-shot Remote Sensing Scene
Classification [7.0845385224286055]
リモートセンシングシーン分類のための特徴量変換モジュール(FTM)を提案する。
FTMは、ソースドメインで学習した特徴分布を、非常に単純なアフィン演算によりターゲットドメインに転送する。
RSSCとランドカバーマッピングタスクの実験により、クロスドメインな数ショット問題に対処する能力が確認された。
論文 参考訳(メタデータ) (2022-03-04T12:42:03Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Domain Adaptive Object Detection via Feature Separation and Alignment [11.4768983507572]
対向型ドメイン適応オブジェクト検出法(DAOD)が急速に開発されている。
本稿では,grey-scale feature separation (gsfs) モジュール,local-global feature alignment (lgfa) モジュール,および region-instance-level alignment (rila) モジュールからなる特徴分離アライメントネットワーク (fsanet) を確立する。
私達のFSANetはターゲット ドメインの検出でよりよい性能を達成し、最先端の方法を超過します。
論文 参考訳(メタデータ) (2020-12-16T01:44:34Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳(メタデータ) (2020-09-17T07:39:52Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳(メタデータ) (2020-03-23T13:40:06Z) - Exploring Categorical Regularization for Domain Adaptive Object
Detection [27.348272177261233]
ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。
一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。
提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
論文 参考訳(メタデータ) (2020-03-20T08:53:10Z)
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。