論文の概要: Multiple Fusion Adaptation: A Strong Framework for Unsupervised Semantic
Segmentation Adaptation
- arxiv url: http://arxiv.org/abs/2112.00295v1
- Date: Wed, 1 Dec 2021 06:11:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 14:35:29.370183
- Title: Multiple Fusion Adaptation: A Strong Framework for Unsupervised Semantic
Segmentation Adaptation
- Title(参考訳): Multiple Fusion Adaptation: Unsupervised Semantic Segmentation Adaptationのための強力なフレームワーク
- Authors: Kai Zhang, Yifan Sun, Rui Wang, Haichang Li and Xiaohui Hu
- Abstract要約: 本稿では,未ラベル対象領域におけるセグメンテーションの精度向上を目的として,ドメイン間セグメンテーションタスクに挑戦する。
擬似ラベルに基づく非教師付きドメイン適応(UDA)パイプラインを用いて,新しいMFA法を提案する。
GTA5-to-CityscapesとSynTHIA-to-Cityscapesという2つの広く使われているベンチマーク実験により,セマンティックセグメンテーションの適応性を著しく改善したことを示す。
- 参考スコア(独自算出の注目度): 21.24665241840844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper challenges the cross-domain semantic segmentation task, aiming to
improve the segmentation accuracy on the unlabeled target domain without
incurring additional annotation. Using the pseudo-label-based unsupervised
domain adaptation (UDA) pipeline, we propose a novel and effective Multiple
Fusion Adaptation (MFA) method. MFA basically considers three parallel
information fusion strategies, i.e., the cross-model fusion, temporal fusion
and a novel online-offline pseudo label fusion. Specifically, the
online-offline pseudo label fusion encourages the adaptive training to pay
additional attention to difficult regions that are easily ignored by offline
pseudo labels, therefore retaining more informative details. While the other
two fusion strategies may look standard, MFA pays significant efforts to raise
the efficiency and effectiveness for integration, and succeeds in injecting all
the three strategies into a unified framework. Experiments on two widely used
benchmarks, i.e., GTA5-to-Cityscapes and SYNTHIA-to-Cityscapes, show that our
method significantly improves the semantic segmentation adaptation, and sets up
new state of the art (58.2% and 62.5% mIoU, respectively). The code will be
available at https://github.com/KaiiZhang/MFA.
- Abstract(参考訳): 本稿では、追加のアノテーションを伴わずに、ラベルなしのターゲットドメインのセグメンテーション精度を向上させることを目的とした、クロスドメイン意味セグメンテーションタスクに挑戦する。
疑似ラベルに基づく非教師付きドメイン適応 (UDA) パイプラインを用いて, 新規かつ効果的なMFA法を提案する。
MFAは基本的に3つの並行情報融合戦略、すなわちクロスモデル融合、時間融合、新しいオンラインオフライン擬似ラベル融合を考える。
具体的には、オンラインオフラインの擬似ラベル融合は、オフラインの擬似ラベルによって容易に無視される困難な領域にさらなる注意を払うよう適応訓練を奨励する。
他の2つの融合戦略は標準的なように見えるかもしれないが、MFAは統合の効率性と有効性を高めるために多大な努力を払っており、3つの戦略全てを統一されたフレームワークに注入することに成功している。
GTA5-to-Cityscapes(英語版)とSynTHIA-to-Cityscapes(英語版)という2つの広く使われているベンチマーク実験により、本手法はセマンティックセグメンテーション適応を著しく改善し、それぞれ58.2%および62.5% mIoU(英語版))を新たに設定することを示した。
コードはhttps://github.com/kaiizhang/mfaで入手できる。
関連論文リスト
- Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。
既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。
本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
論文 参考訳(メタデータ) (2024-01-21T10:20:46Z) - QuadFormer: Quadruple Transformer for Unsupervised Domain Adaptation in
Power Line Segmentation of Aerial Images [12.840195641761323]
ドメイン適応型セマンティックセグメンテーションのための新しいフレームワークを提案する。
階層的な四重変圧器は、伝達可能なコンテキストに適応するために、クロスアテンションと自己アテンションのメカニズムを組み合わせる。
ARPLSynとARPLRealの2つのデータセットを提示し、教師なし領域適応電力線分割の研究をさらに進める。
論文 参考訳(メタデータ) (2022-11-29T03:15:27Z) - 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) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳(メタデータ) (2022-07-20T15:47:34Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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) (2021-08-28T09:29:14Z) - Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。
ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文 参考訳(メタデータ) (2021-03-20T12:44:13Z) - mDALU: Multi-Source Domain Adaptation and Label Unification with Partial
Datasets [102.62639692656458]
本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。
本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。
本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
論文 参考訳(メタデータ) (2020-12-15T15:58:03Z) - Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain
Adaptation on Person Re-identification [56.97651712118167]
人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。
異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。
教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
論文 参考訳(メタデータ) (2020-01-06T12:42:58Z)
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。