論文の概要: Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2110.04111v1
• Date: Fri, 8 Oct 2021 13:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 13:35:05.147973
• Title: Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのためのオープン複合ドメイン適応の発見, 幻覚, 適応
• Authors: KwanYong Park, Sanghyun Woo, Inkyu Shin, In So Kweon
• Abstract要約: 意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
• 参考スコア（独自算出の注目度）: 91.30558794056056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) for semantic segmentation has been attracting attention recently, as it could be beneficial for various label-scarce real-world scenarios (e.g., robot control, autonomous driving, medical imaging, etc.). Despite the significant progress in this field, current works mainly focus on a single-source single-target setting, which cannot handle more practical settings of multiple targets or even unseen targets. In this paper, we investigate open compound domain adaptation (OCDA), which deals with mixed and novel situations at the same time, for semantic segmentation. We present a novel framework based on three main design principles: discover, hallucinate, and adapt. The scheme first clusters compound target data based on style, discovering multiple latent domains (discover). Then, it hallucinates multiple latent target domains in source by using image-translation (hallucinate). This step ensures the latent domains in the source and the target to be paired. Finally, target-to-source alignment is learned separately between domains (adapt). In high-level, our solution replaces a hard OCDA problem with much easier multiple UDA problems. We evaluate our solution on standard benchmark GTA to C-driving, and achieved new state-of-the-art results.
• Abstract（参考訳）: セマンティックセグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めており、様々なラベルの少ない現実のシナリオ(例えば、ロボット制御、自律運転、医療画像など)に有用である可能性がある。 この分野の大きな進歩にもかかわらず、現在の作業は主に単一ソースの単一ターゲット設定にフォーカスしており、複数のターゲットのより実用的な設定や、目に見えないターゲットさえ処理できない。 本稿では, 意味的セグメンテーションのために, 混合状況と新規状況を同時に扱うopen compound domain adaptation (ocda) について検討する。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しい枠組みを提案する。 このスキームはまず、スタイルに基づいた複合ターゲットデータをクラスタ化し、複数の潜在ドメインを発見する(discover)。 次に、画像翻訳(hallucinate)を用いて、ソース内の複数の潜在ターゲットドメインを幻覚させる。 このステップでは、ソース内の潜在ドメインとターゲットのペアリングが保証される。 最後に、ターゲットとソースのアライメントはドメイン間で別々に学習される(適応)。 高いレベルでは、我々のソリューションは難解なOCDA問題を、より簡単な複数のUDA問題に置き換えます。 我々は、標準ベンチマークgtaによるc-drivingのソリューションを評価し、新たな最先端結果を得た。

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)
• Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation [16.94252910722673]
  非教師なしドメイン適応(UDA)手法は、ラベルなしターゲットドメインとラベル付きソースドメインデータを使用することで、ソースとターゲットドメインのギャップを減らすことを目的としている。 本稿では, 対象患者1名のみを対象とする, 現実的なシナリオにおいて, UDA の可能性について検討する。 我々はまず、まずソース画像からターゲットスタイルの画像を生成し、ランダム適応インスタンス正規化(RAIN)を持つ単一ターゲット患者から多様なターゲットスタイルを探索する。 そして、生成したターゲット画像と教師付きでセグメンテーションネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-01-28T19:28:48Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• 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)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。