論文の概要: Cross-Region Domain Adaptation for Class-level Alignment

• arxiv url: http://arxiv.org/abs/2109.06422v1
• Date: Tue, 14 Sep 2021 04:13:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:54:31.755374
• Title: Cross-Region Domain Adaptation for Class-level Alignment
• Title（参考訳）: クラスレベルアライメントのためのクロスリージョンドメイン適応
• Authors: Zhijie Wang, Xing Liu, Masanori Suganuma, Takayuki Okatani
• Abstract要約: 本稿では,2つの特徴分布を対象領域に整列させる手法を提案する。 自己学習フレームワークを使用して、イメージを2つのリージョンに分割し、特徴空間を整列させるために2つのディストリビューションを形成する。 このアプローチを、異なる領域分布を整合させる従来の方法と区別するために、クロスリージョン適応(CRA)と呼ぶ。
• 参考スコア（独自算出の注目度）: 32.586107376036075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation requires a lot of training data, which necessitates costly annotation. There have been many studies on unsupervised domain adaptation (UDA) from one domain to another, e.g., from computer graphics to real images. However, there is still a gap in accuracy between UDA and supervised training on native domain data. It is arguably attributable to class-level misalignment between the source and target domain data. To cope with this, we propose a method that applies adversarial training to align two feature distributions in the target domain. It uses a self-training framework to split the image into two regions (i.e., trusted and untrusted), which form two distributions to align in the feature space. We term this approach cross-region adaptation (CRA) to distinguish from the previous methods of aligning different domain distributions, which we call cross-domain adaptation (CDA). CRA can be applied after any CDA method. Experimental results show that this always improves the accuracy of the combined CDA method, having updated the state-of-the-art.
• Abstract（参考訳）: セマンティクスのセグメンテーションには多くのトレーニングデータが必要です。 コンピュータグラフィックスから実際の画像まで、あるドメインから別のドメインへの教師なし領域適応(UDA)に関する研究が数多く行われている。 しかし、UDAとネイティブドメインデータの教師付きトレーニングの間にはまだ精度の差がある。 ソースとターゲットのドメインデータ間のクラスレベルのミスアライメントに起因することは明らかです。 この問題に対処するため,対象領域内の2つの特徴分布を整列させるために,敵対的訓練を適用する手法を提案する。 自己学習フレームワークを使用してイメージを2つの領域(信頼と信頼の欠如)に分割し、特徴空間で整列する2つの分布を形成する。 本手法は,クロスドメイン適応(CDA)と呼ばれる,異なる領域分布を協調する従来の手法と区別するために,クロスリージョン適応(CRA)と呼ぶ。 CRAは任意のCDAメソッドの後に適用することができる。 実験の結果,CDA法の精度は常に向上し,最新技術が更新された。

関連論文リスト

• Delving into the Continuous Domain Adaptation [12.906272389564593]
  既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。 これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。 継続的ドメイン適応という新しい問題について検討する。
  論文  参考訳（メタデータ） (2022-08-28T02:32:25Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  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。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Unsupervised domain adaptation via double classifiers based on high confidence pseudo label [8.132250810529873]
  Unsupervised Domain Adapt (UDA)は,ラベル付きソースドメインからラベル付きターゲットドメインへのナレッジ転送という問題を解決することを目的とする。 多くのドメイン適応(DA)メソッドは、Centroidを使って異なるドメインの局所分布を整列させ、異なるクラスを整列させる。 この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。
  論文  参考訳（メタデータ） (2021-05-11T00:51:31Z)
• 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)
• Deep Co-Training with Task Decomposition for Semi-Supervised Domain Adaptation [80.55236691733506]
  半教師付きドメイン適応(SSDA)は、ラベル付きソースドメインからトレーニングされたモデルを、異なるが関連する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。 本稿では,SSDAタスクを対象ドメイン内の半教師付き学習(SSL)タスクと,ドメイン間の非教師付きドメイン適応(UDA)タスクの2つのサブタスクに明示的に分解することを提案する。
  論文  参考訳（メタデータ） (2020-07-24T17:57:54Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。