論文の概要: Plugging Self-Supervised Monocular Depth into Unsupervised Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2110.06685v1
• Date: Wed, 13 Oct 2021 12:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 14:55:09.392159
• Title: Plugging Self-Supervised Monocular Depth into Unsupervised Domain Adaptation for Semantic Segmentation
• Title（参考訳）: セマンティクスセグメンテーションのための教師なし領域適応への自己教師付き単眼深度の挿入
• Authors: Adriano Cardace, Luca De Luigi, Pierluigi Zama Ramirez, Samuele Salti, Luigi Di Stefano
• Abstract要約: セマンティックセグメンテーションのためのUDAを改善するために,自己教師付き単眼深度推定手法を提案する。 我々の提案では,GTA5->CSベンチマークで最先端性能(58.8 mIoU)を達成することができる。
• 参考スコア（独自算出の注目度）: 19.859764556851434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although recent semantic segmentation methods have made remarkable progress, they still rely on large amounts of annotated training data, which are often infeasible to collect in the autonomous driving scenario. Previous works usually tackle this issue with Unsupervised Domain Adaptation (UDA), which entails training a network on synthetic images and applying the model to real ones while minimizing the discrepancy between the two domains. Yet, these techniques do not consider additional information that may be obtained from other tasks. Differently, we propose to exploit self-supervised monocular depth estimation to improve UDA for semantic segmentation. On one hand, we deploy depth to realize a plug-in component which can inject complementary geometric cues into any existing UDA method. We further rely on depth to generate a large and varied set of samples to Self-Train the final model. Our whole proposal allows for achieving state-of-the-art performance (58.8 mIoU) in the GTA5->CS benchmark benchmark. Code is available at https://github.com/CVLAB-Unibo/d4-dbst.
• Abstract（参考訳）: 最近のセマンティックセグメンテーション手法は目覚ましい進歩を遂げているが、それでも大量の注釈付きトレーニングデータに依存している。 従来、Unsupervised Domain Adaptation (UDA)では、合成画像上のネットワークをトレーニングし、モデルを実際のものに適用すると同時に、2つのドメイン間の差異を最小限に抑える。 しかし、これらの手法は、他のタスクから得られる追加情報を考慮していない。 セマンティックセグメンテーションのためのUDAを改善するために, 自己教師付き単眼深度推定手法を提案する。 一方,既存のUDA法に相補的な幾何学的手がかりを注入できるプラグインコンポーネントを実現するために,深さをデプロイする。 さらに、最終モデルを自己学習するために、大きくて多様なサンプルセットを生成するために深さに依存します。 我々の提案では,GTA5->CSベンチマークで最先端性能(58.8 mIoU)を達成することができる。 コードはhttps://github.com/CVLAB-Unibo/d4-dbst.comで入手できる。

関連論文リスト

• MICDrop: Masking Image and Depth Features via Complementary Dropout for Domain-Adaptive Semantic Segmentation [155.0797148367653]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインギャップを埋めるタスクである。 深度不連続性はしばしばセグメンテーション境界と一致するため、幾何学的情報、すなわち深度予測を活用することを提案する。 提案手法は, 様々な UDA 手法にプラグインし, 標準 UDA ベンチマークで連続的に結果を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-08-29T12:15:10Z)
• T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point Clouds [2.5291108878852864]
  教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。 本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2023-09-15T10:47:12Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Self-Distillation for Unsupervised 3D Domain Adaptation [15.660045080090711]
  3次元視覚における点群分類のための教師なし領域適応法(UDA)を提案する。 本研究では、ポイントクラウドとその拡張バージョン間の一貫性を強制する対象ドメインの識別的特徴空間を得ることに焦点をあてる。 疑似ラベルを洗練させるために,UDAコンテキストにおけるグラフニューラルネットワークを利用した新しい反復的自己学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T08:37:02Z)
• Threshold-adaptive Unsupervised Focal Loss for Domain Adaptation of Semantic Segmentation [25.626882426111198]
  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)は近年研究の注目を集めている。 本稿では,セマンティックセグメンテーションのための2段階エントロピーに基づくUDA手法を提案する。 本稿では,DeepLabV2を用いたSynTHIA-to-CityscapesとGTA5-to-Cityscapesにおける最先端の58.4%と59.6%のmIoUと,軽量BiSeNetを用いた競合性能を実現する。
  論文  参考訳（メタデータ） (2022-08-23T03:48:48Z)
• HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentation [104.47737619026246]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメインでトレーニングされたモデルを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。 我々は,小作物の強度を組み合わして細分化の詳細を保存した多分解能トレーニング手法HRDAを提案する。 GTA-to-Cityscapesは5.5 mIoU、Synthia-to-Cityscapesは4.9 mIoUである。
  論文  参考訳（メタデータ） (2022-04-27T18:00:26Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Domain Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [84.34227665232281]
  セマンティックセグメンテーションのためのドメイン適応は、ソースとターゲットドメイン間の分散シフトの存在下でモデルのパフォーマンスを向上させることを目的とする。 ドメイン間のギャップを埋めるために、両ドメインで利用可能な自己教師付き深さ推定からのガイダンスを活用します。 提案手法のベンチマークタスクSYNTHIA-to-CityscapesとGTA-to-Cityscapesの有効性を実証する。
  論文  参考訳（メタデータ） (2021-04-28T07:47:36Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Geometric Unsupervised Domain Adaptation for Semantic Segmentation [35.492127636785824]
  シミュレータは、セマンティックセグメンテーションのようなラベルが難しいタスクを完全に監督して、大量のラベル付き合成データを効率的に生成できます。 このギャップを橋渡しし、sim-to-real unsupervised domain adaptを改善するために、自己監視単眼深度推定をプロキシタスクとして使用する。 本手法は, 合成データの質や量によく対応し, 深度予測も改善する。
  論文  参考訳（メタデータ） (2021-03-30T21:33:00Z)

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。