論文の概要: Decoupled Adaptation for Cross-Domain Object Detection

• arxiv url: http://arxiv.org/abs/2110.02578v1
• Date: Wed, 6 Oct 2021 08:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 14:37:47.251820
• Title: Decoupled Adaptation for Cross-Domain Object Detection
• Title（参考訳）: クロスドメインオブジェクト検出のためのデカップリング適応
• Authors: Junguang Jiang, Baixu Chen, Jianmin Wang, Mingsheng Long
• Abstract要約: クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 69.5852335091519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain object detection is more challenging than object classification since multiple objects exist in an image and the location of each object is unknown in the unlabeled target domain. As a result, when we adapt features of different objects to enhance the transferability of the detector, the features of the foreground and the background are easy to be confused, which may hurt the discriminability of the detector. Besides, previous methods focused on category adaptation but ignored another important part for object detection, i.e., the adaptation on bounding box regression. To this end, we propose D-adapt, namely Decoupled Adaptation, to decouple the adversarial adaptation and the training of the detector. Besides, we fill the blank of regression domain adaptation in object detection by introducing a bounding box adaptor. Experiments show that D-adapt achieves state-of-the-art results on four cross-domain object detection tasks and yields 17% and 21% relative improvement on benchmark datasets Clipart1k and Comic2k in particular.
• Abstract（参考訳）: 複数のオブジェクトが画像に存在し、各オブジェクトの位置がラベルなしのターゲットドメインで不明であるため、クロスドメインオブジェクト検出はオブジェクト分類よりも難しい。 その結果、検出器の移動性を高めるために異なる物体の特徴を適応させると、前景と背景の特徴は容易に混同され、検出器の識別性が損なわれる可能性がある。 さらに、以前の手法はカテゴリ適応にフォーカスしていたが、オブジェクト検出における他の重要な部分、すなわち境界ボックス回帰への適応を無視していた。 そこで本研究では,D-アダプティブ,すなわちデカップリング適応を提案し,対向適応と検出器の訓練を分離する。 さらに、バウンディングボックスアダプタを導入することで、オブジェクト検出における回帰領域適応の空白を埋める。 実験の結果、D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成し、特にベンチマークデータセットであるClipart1kとComic2kで17%と21%の相対的な改善が得られた。

関連論文リスト

• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• AWADA: Attention-Weighted Adversarial Domain Adaptation for Object Detection [0.0]
  AWADA(Atention-Weighted Adrialversa Domain Adaptation)は、スタイル変換と検出タスクの間のフィードバックループを作成するためのフレームワークである。 我々は,AWADAが,合成・現実・悪天候・クロスカメラ適応等のタスクによく使用されるベンチマークにおいて,最先端の教師なし領域適応オブジェクト検出性能に達することを示す。
  論文  参考訳（メタデータ） (2022-08-31T07:20:25Z)
• End-to-End Instance Edge Detection [29.650295133113183]
  エッジ検出は長い間、コンピュータビジョンの分野で重要な問題であった。 従来の研究は、カテゴリ非依存またはカテゴリ対応エッジ検出を探索してきた。 本稿では,オブジェクトインスタンスのコンテキストにおけるエッジ検出について検討する。
  論文  参考訳（メタデータ） (2022-04-06T15:32:21Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained Embedded Devices [2.5345835184316536]
  畳み込みニューラルネットワークは、オブジェクト検出タスクにおいて最先端の精度を達成する。 リソース制約のあるエッジデバイスへの展開に挑戦する計算とエネルギーの要求が大きい。 本稿では,物体検出モデルの効率を高めるために,異なる対象カテゴリが共同で発生する確率に関する事前知識を活用する。 COCOデータセットを用いた実験の結果, 適応物体検出モデルでは, エネルギー消費量が最大45%減少し, 遅延が最大27%減少し, 物体検出の平均精度(AP)が低下することがわかった。
  論文  参考訳（メタデータ） (2021-08-16T01:21:55Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection [1.773576418078547]
  トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。 マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。 本研究では,Cityscapesデータセットとその合成変種について実験を行った。 霧、雨、夜。
  論文  参考訳（メタデータ） (2021-03-25T16:59:35Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
  教師なしクロスドメイン検出モデルを提案する。 ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。 提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
  論文  参考訳（メタデータ） (2020-11-14T03:03:11Z)

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。