論文の概要: Semi-supervised Domain Adaptation for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2110.10639v1
- Date: Wed, 20 Oct 2021 16:13:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 17:33:59.104409
- Title: Semi-supervised 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半教師付きドメイン適応
- Authors: Ying Chen, Xu Ouyang, Kaiyue Zhu, Gady Agam
- Abstract要約: セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。
提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 3.946367634483361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning approaches for semantic segmentation rely primarily on
supervised learning approaches and require substantial efforts in producing
pixel-level annotations. Further, such approaches may perform poorly when
applied to unseen image domains. To cope with these limitations, both
unsupervised domain adaptation (UDA) with full source supervision but without
target supervision and semi-supervised learning (SSL) with partial supervision
have been proposed. While such methods are effective at aligning different
feature distributions, there is still a need to efficiently exploit unlabeled
data to address the performance gap with respect to fully-supervised methods.
In this paper we address semi-supervised domain adaptation (SSDA) for semantic
segmentation, where a large amount of labeled source data as well as a small
amount of labeled target data are available. We propose a novel and effective
two-step semi-supervised dual-domain adaptation (SSDDA) approach to address
both cross- and intra-domain gaps in semantic segmentation. The proposed
framework is comprised of two mixing modules. First, we conduct a cross-domain
adaptation via an image-level mixing strategy, which learns to align the
distribution shift of features between the source data and target data. Second,
intra-domain adaptation is achieved using a separate student-teacher network
which is built to generate category-level data augmentation by mixing unlabeled
target data in a way that respects predicted object boundaries. We demonstrate
that the proposed approach outperforms state-of-the-art methods on two common
synthetic-to-real semantic segmentation benchmarks. An extensive ablation study
is provided to further validate the effectiveness of our approach.
- Abstract(参考訳): セマンティックセグメンテーションのためのディープラーニングアプローチは、主に教師付き学習アプローチに依存しており、ピクセルレベルのアノテーションの作成にかなりの労力を要する。
さらに、見えない画像領域に適用しても、そのようなアプローチは不十分である。
これらの制限に対処するため、Unsupervised domain adaptation (UDA) と完全なソース管理を伴うが、ターゲット監視や部分的な監視を伴う半教師付き学習 (SSL) が提案されている。
このような手法は、異なる特徴分布の調整に有効であるが、教師なしのデータを効率的に活用して、完全な教師付きメソッドのパフォーマンスギャップに対処する必要がある。
本稿では,大量のラベル付きソースデータと少量のラベル付きターゲットデータが存在するセグメンテーションのための半教師付きドメイン適応(SSDA)について述べる。
意味セグメンテーションにおけるクロスドメインとイントラドメインの両方のギャップに対処するために,二段階半教師付きデュアルドメイン適応法(ssdda)を提案する。
提案するフレームワークは、2つの混合モジュールで構成される。
まず,画像レベルの混合戦略を通したクロスドメイン適応を行い,ソースデータと対象データ間の特徴の分布シフトを整合させることを学ぶ。
第2に、予測されたオブジェクト境界を尊重する方法でラベルなしのターゲットデータを混合することにより、カテゴリレベルのデータ拡張を生成するために構築された、個別の学生・教師ネットワークを用いてドメイン内適応を実現する。
提案手法は,2つの一般的な合成から実へのセマンティクスセグメンテーションベンチマークにおいて最先端手法よりも優れていることを示す。
本手法の有効性をさらに検証するために広範なアブレーション研究を行った。
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) - Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳(メタデータ) (2024-01-21T09:57:56Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳(メタデータ) (2023-03-05T18:16:34Z) - MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation
Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。
これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。
長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文 参考訳(メタデータ) (2023-01-18T07:55:22Z) - ACT: Semi-supervised Domain-adaptive Medical Image Segmentation with
Asymmetric Co-training [34.017031149886556]
非教師なしドメイン適応(UDA)は、ソースとターゲットドメイン間のドメインシフトを軽減するために大いに研究されてきた。
本稿では,ラベル付けされていないターゲットデータに加えて,ラベル付きソースデータとターゲットドメインデータの両方を統一的に活用することを提案する。
本稿では、これらのサブセットを統合し、ソースドメインデータの支配を回避するための、新しい非対称コトレーニング(ACT)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-05T23:48:00Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Unsupervised Domain Adaptation for Semantic Segmentation via Low-level
Edge Information Transfer [27.64947077788111]
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は、合成データに基づいて訓練されたモデルを実際の画像に適応させることを目的としている。
従来の特徴レベルの対数学習手法は、高レベルの意味的特徴に適応するモデルのみを考慮していた。
本稿では,ドメイン間ギャップが小さい低レベルエッジ情報を明示的に利用して意味情報の伝達をガイドする試みについて紹介する。
論文 参考訳(メタデータ) (2021-09-18T11:51:31Z) - 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) - Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for
Semantic Segmentation [34.790169990156684]
私たちは、少数のラベル付きターゲットデータと大量のラベル付きソースデータが利用可能である半監視ドメイン適応(SSDA)のより実用的な設定に焦点を当てています。
領域レベルとサンプルレベルのドメインギャップを低減する2種類のデータミキシング手法を提案する。
総合的視点と部分的視点から2段階の混合データに基づいて,2つの相補的ドメイン混合教師を得ることができる。
論文 参考訳(メタデータ) (2021-03-08T12:33:17Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳(メタデータ) (2020-04-02T03:25:05Z)
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。