論文の概要: Towards Fewer Annotations: Active Learning via Region Impurity and
Prediction Uncertainty for Domain Adaptive Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2111.12940v1
- Date: Thu, 25 Nov 2021 06:40:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 15:20:39.786921
- Title: Towards Fewer Annotations: Active Learning via Region Impurity and
Prediction Uncertainty for Domain Adaptive Semantic Segmentation
- Title（参考訳）: 領域不純物による積極的学習と領域適応セマンティックセマンティックセグメンテーションの予測不確かさ
- Authors: Binhui Xie, Longhui Yuan, Shuang Li, Chi Harold Liu and Xinjing Cheng
- Abstract要約: ドメインシフトに基づく意味的セグメンテーションのための領域ベースアクティブラーニング手法を提案する。
領域不純物・予測不確かさ(AL-RIPU)を用いた能動学習では,画像領域の空間的隣接性を特徴付ける新たな獲得戦略が導入された。
我々の手法は、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法よりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 19.55572909866489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-training has greatly facilitated domain adaptive semantic segmentation,
which iteratively generates pseudo labels on the target domain and retrains the
network. However, since the realistic segmentation datasets are highly
imbalanced, target pseudo labels are typically biased to the majority classes
and basically noisy, leading to an error-prone and sub-optimal model. To
address this issue, we propose a region-based active learning approach for
semantic segmentation under a domain shift, aiming to automatically query a
small partition of image regions to be labeled while maximizing segmentation
performance. Our algorithm, Active Learning via Region Impurity and Prediction
Uncertainty (AL-RIPU), introduces a novel acquisition strategy characterizing
the spatial adjacency of image regions along with the prediction confidence. We
show that the proposed region-based selection strategy makes more efficient use
of a limited budget than image-based or point-based counterparts. Meanwhile, we
enforce local prediction consistency between a pixel and its nearest neighbor
on a source image. Further, we develop a negative learning loss to enhance the
discriminative representation learning on the target domain. Extensive
experiments demonstrate that our method only requires very few annotations to
almost reach the supervised performance and substantially outperforms
state-of-the-art methods.
- Abstract（参考訳）: 自己学習はドメイン適応セマンティックセグメンテーションを大幅に促進し、ターゲットドメイン上の擬似ラベルを反復的に生成し、ネットワークを再訓練する。
しかし、現実的なセグメンテーションデータセットは高度に不均衡であるため、ターゲットの擬似ラベルは一般的に多数派クラスに偏り、基本的にノイズが多く、エラーが発生しやすいサブオプティマイズモデルとなる。
そこで本研究では,ドメインシフトの下でのセマンティックセマンティックセマンティクスのための領域ベースアクティブラーニング手法を提案し,セマンティクス性能を最大化しつつラベル付けする画像領域の小さな分割を自動的にクエリする。
本アルゴリズムは,領域不純物と予測の不確実性(al-ripu)を用いたアクティブラーニングを行い,画像領域の空間隣接性と予測信頼度を特徴付ける新しい獲得戦略を導入する。
提案する領域ベース選択戦略は,画像ベースや点ベースよりも,限られた予算を効果的に活用できることを示す。
一方,画像上では画素と近接する近傍の局所的な予測一貫性を強制する。
さらに、対象領域における識別表現学習を強化するために、負の学習損失を発生させる。
大規模な実験では、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法を大幅に上回っている。
関連論文リスト
- Pixel-Level Domain Adaptation: A New Perspective for Enhancing Weakly Supervised Semantic Segmentation [13.948425538725138]
画素単位の領域不変性を学習する際のモデルとして,Pixel-Level Domain Adaptation (PLDA)法を提案する。
我々は,幅広い環境下でのアプローチの有効性を実験的に実証した。
論文 参考訳（メタデータ） (2024-08-04T14:14:54Z) - Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-28T16:31:17Z) - Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。
潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。
都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文 参考訳（メタデータ） (2022-12-07T18:16:17Z) - Region-Based Semantic Factorization in GANs [67.90498535507106]
本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。
適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。
様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2022-02-19T17:46:02Z) - Adapting Segmentation Networks to New Domains by Disentangling Latent
Representations [14.050836886292869]
ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。
本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
論文 参考訳（メタデータ） (2021-08-06T09:43:07Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive
Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。
私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文 参考訳（メタデータ） (2021-04-22T13:39:12Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳（メタデータ） (2020-10-31T00:11:36Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳（メタデータ） (2020-09-30T04:17:48Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z)
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。