論文の概要: Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection
- arxiv url: http://arxiv.org/abs/2109.09033v1
- Date: Sun, 19 Sep 2021 00:27:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:29:02.364901
- Title: Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection
- Title（参考訳）: ドメイン適応物体検出のための逆学習による共同分布アライメント
- Authors: Bo Zhang, Tao Chen, Bin Wang, Ruoyao Li
- Abstract要約: 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で訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
- 参考スコア（独自算出の注目度）: 11.262560426527818
- 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. Recently, mainstream approaches perform this task
through adversarial learning, yet still suffer from two limitations. First,
they mainly align marginal distribution by unsupervised cross-domain feature
matching, and ignore each feature's categorical and positional information that
can be exploited for conditional alignment; Second, they treat all classes as
equally important for transferring cross-domain knowledge and ignore that
different classes usually have different transferability. In this paper, we
propose a joint adaptive detection framework (JADF) to address the above
challenges. First, an end-to-end joint adversarial adaptation framework for
object detection is proposed, which aligns both marginal and conditional
distributions between domains without introducing any extra hyperparameter.
Next, to consider the transferability of each object class, a metric for
class-wise transferability assessment is proposed, which is incorporated into
the JADF objective for domain adaptation. Further, an extended study from
unsupervised domain adaptation (UDA) to unsupervised few-shot domain adaptation
(UFDA) is conducted, where only a few unlabeled training images are available
in unlabeled target domain. Extensive experiments validate that JADF is
effective in both the UDA and UFDA settings, achieving significant performance
gains over existing state-of-the-art cross-domain detection methods.
- 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。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、2つの制限に悩まされている。
第一に、それらは主に教師なしのクロスドメイン特徴マッチングによって境界分布を調整し、条件付きアライメントのために活用できる各特徴のカテゴリー的および位置的情報を無視する;第二に、すべてのクラスをドメイン間の知識の伝達に等しく重要として扱い、異なるクラスが通常異なる転送可能性を持つことを無視する。
本稿では,これらの課題に対処するためのJADF(Joint Adaptive Detection framework)を提案する。
まず、オブジェクト検出のためのエンドツーエンドの連接適応フレームワークを提案し、余分なハイパーパラメータを導入することなく、領域間の境界分布と条件分布を一致させる。
次に、各オブジェクトクラスの転送可能性を考慮するために、クラスワイド転送可能性評価のためのメトリクスを提案し、ドメイン適応のためのJADFの目的に組み込む。
さらに、unsupervised domain adaptation(UDA)からunsupervised few-shot domain adaptation(UFDA)への拡張研究を行い、未ラベルのターゲットドメインで利用可能なトレーニングイメージはわずかである。
大規模な実験により、JADFはUDAとUFDAの両方の設定で有効であることが確認され、既存の最先端のクロスドメイン検出方法よりも大幅にパフォーマンスが向上した。
関連論文リスト
- Reducing Source-Private Bias in Extreme Universal Domain Adaptation [11.875619863954238]
Universal Domain Adaptation (UniDA)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に知識を転送することを目的としている。
我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。
対象データの構造を保存するために,自己教師付き学習を提案する。
論文 参考訳（メタデータ） (2024-10-15T04:51:37Z) - DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。
提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。
複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
論文 参考訳（メタデータ） (2024-05-20T03:48:45Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:38:37Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。
半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。
CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
論文 参考訳（メタデータ） (2021-06-30T20:23:19Z) - 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) - 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) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳（メタデータ） (2021-04-03T01:33:14Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z) - 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。