論文の概要: Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning

• arxiv url: http://arxiv.org/abs/2110.03143v1
• Date: Thu, 7 Oct 2021 02:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:43:12.277919
• Title: Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning
• Title（参考訳）: Meta-UDA:メタラーニングを用いた教師なしドメイン適応熱物体検出
• Authors: Vibashan VS, Domenick Poster, Suya You, Shuowen Hu and Vishal M. Patel
• Abstract要約: 赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
• 参考スコア（独自算出の注目度）: 64.92447072894055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors trained on large-scale RGB datasets are being extensively employed in real-world applications. However, these RGB-trained models suffer a performance drop under adverse illumination and lighting conditions. Infrared (IR) cameras are robust under such conditions and can be helpful in real-world applications. Though thermal cameras are widely used for military applications and increasingly for commercial applications, there is a lack of robust algorithms to robustly exploit the thermal imagery due to the limited availability of labeled thermal data. In this work, we aim to enhance the object detection performance in the thermal domain by leveraging the labeled visible domain data in an Unsupervised Domain Adaptation (UDA) setting. We propose an algorithm agnostic meta-learning framework to improve existing UDA methods instead of proposing a new UDA strategy. We achieve this by meta-learning the initial condition of the detector, which facilitates the adaptation process with fine updates without overfitting or getting stuck at local optima. However, meta-learning the initial condition for the detection scenario is computationally heavy due to long and intractable computation graphs. Therefore, we propose an online meta-learning paradigm which performs online updates resulting in a short and tractable computation graph. To this end, we demonstrate the superiority of our method over many baselines in the UDA setting, producing a state-of-the-art thermal detector for the KAIST and DSIAC datasets.
• Abstract（参考訳）: 大規模RGBデータセットでトレーニングされたオブジェクト検出器は、現実世界のアプリケーションに広く採用されている。 しかし、これらのRGBトレーニングモデルは、照明条件や照明条件が悪ければ性能が低下する。 赤外線(IR)カメラはそのような条件下では堅牢であり、現実世界の応用に有用である。 サーマルカメラは軍事用途や商業用途に広く用いられているが、ラベル付きサーマルデータの可用性が限られているため、サーマルイメージを堅牢に活用するための堅牢なアルゴリズムが欠如している。 本研究では,unsupervised domain adaptation(uda)設定でラベル付き可視領域データを活用することで,熱領域におけるオブジェクト検出性能の向上を目指す。 新しいUDA戦略を提案するのではなく,既存のUDA手法を改善するためのアルゴリズムに依存しないメタ学習フレームワークを提案する。 我々は,検出器の初期条件をメタラーニングすることで,局所光度を過小評価することなく,微妙な更新を伴う適応プロセスが容易になる。 しかし,検出シナリオの初期条件のメタラーニングは,長期かつ難解な計算グラフのため,計算的に重い。 そこで本研究では,オンライン更新を行うオンラインメタ学習パラダイムを提案する。 この目的のために, KAIST および DSIAC データセットに対する最先端の熱検出器を作成した UDA 設定における多くのベースラインに対する手法の優位性を実証した。

関連論文リスト

• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Spectral Transfer Guided Active Domain Adaptation For Thermal Imagery [1.911678487931003]
  本稿では,可視スペクトルと熱画像量を組み合わせた有効領域適応手法を提案する。 我々は、大規模可視スペクトルデータセットMS-COCOをソースドメインとして、熱データセットFLIR ADASをターゲットドメインとして使用した。 提案手法は最先端のアクティブドメイン適応法より優れている。
  論文  参考訳（メタデータ） (2023-04-14T10:04:42Z)
• Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection [84.52197307286681]
  暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。 自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。 我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-05-06T16:27:14Z)
• Object Detection in Thermal Spectrum for Advanced Driver-Assistance Systems (ADAS) [0.5156484100374058]
  熱赤外スペクトルにおける物体検出は、低照度条件と異なる気象条件においてより信頼性の高いデータソースを提供する。 本稿では,高度運転支援システム(ADAS)の7つの異なるクラスを用いたサーマルビジョンにおける最先端のオブジェクト・ビジョン・フレームワークの探索と適用について述べる。 公開データセット上のトレーニング済みネットワーク変種は、3つの異なるテストアプローチでテストデータ上で検証される。 訓練されたネットワークの有効性は、未冷却のLWIRプロトタイプ熱カメラで捉えたローカル収集された新しいテストデータで検証される。
  論文  参考訳（メタデータ） (2021-09-20T21:38:55Z)
• Self-training Guided Adversarial Domain Adaptation For Thermal Imagery [0.12891210250935145]
  RGB対熱画像ペアを必要としない教師なし領域適応法を提案する。 我々は、大規模RGBデータセットMS-COCOをソースドメインとして、熱データセットFLIR ADASをターゲットドメインとして採用する。 自己学習を行うために、対象熱領域のサンプルに擬似ラベルを割り当て、対象熱領域のより一般的な表現を学習する。
  論文  参考訳（メタデータ） (2021-06-14T05:17:21Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Robust pedestrian detection in thermal imagery using synthesized images [39.33977680993236]
  熱領域における歩行者検出を2段階に分けて改善する手法を提案する。 まず、生成データ拡張アプローチを使用し、次いで、生成されたデータを用いたドメイン適応法は、RGB歩行者検出器に適応する。 我々の検出器は,最先端技術に関して,KAIST上で最高の単一モダリティ検出結果を達成する。
  論文  参考訳（メタデータ） (2021-02-03T11:08:31Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)

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。