論文の概要: Unsupervised Domain Adaptation for Semantic Image Segmentation: a
Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2112.03241v1
- Date: Mon, 6 Dec 2021 18:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 14:21:53.330805
- Title: Unsupervised Domain Adaptation for Semantic Image Segmentation: a
Comprehensive Survey
- Title(参考訳): 意味画像セグメンテーションのための教師なし領域適応:包括的調査
- Authors: Gabriela Csurka, Riccardo Volpi and Boris Chidlovskii
- Abstract要約: この調査は、この信じられないほど急速に成長している分野の5年間をまとめたものです。
最も重要なセマンティックセグメンテーション手法を提案する。
マルチドメイン学習、ドメイン一般化、テスト時間適応、ソースフリードメイン適応といった新しいトレンドを紹介します。
- 参考スコア(独自算出の注目度): 24.622211579286127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation plays a fundamental role in a broad variety of computer
vision applications, providing key information for the global understanding of
an image. Yet, the state-of-the-art models rely on large amount of annotated
samples, which are more expensive to obtain than in tasks such as image
classification. Since unlabelled data is instead significantly cheaper to
obtain, it is not surprising that Unsupervised Domain Adaptation reached a
broad success within the semantic segmentation community.
This survey is an effort to summarize five years of this incredibly rapidly
growing field, which embraces the importance of semantic segmentation itself
and a critical need of adapting segmentation models to new environments. We
present the most important semantic segmentation methods; we provide a
comprehensive survey on domain adaptation techniques for semantic segmentation;
we unveil newer trends such as multi-domain learning, domain generalization,
test-time adaptation or source-free domain adaptation; we conclude this survey
by describing datasets and benchmarks most widely used in semantic segmentation
research. We hope that this survey will provide researchers across academia and
industry with a comprehensive reference guide and will help them in fostering
new research directions in the field.
- Abstract(参考訳): セマンティックセグメンテーションは様々なコンピュータビジョンアプリケーションにおいて基本的な役割を担い、画像のグローバルな理解のための重要な情報を提供する。
しかし、最先端のモデルは大量の注釈付きサンプルに依存しており、画像分類のようなタスクよりも入手するコストが高い。
乱れのないデータを得るのは非常に安価であるため、セマンティックセグメンテーションコミュニティでUnsupervised Domain Adaptationが広く成功したことは驚くにあたらない。
この調査は、セマンティックセグメンテーション自体の重要性と、セグメンテーションモデルを新しい環境に適用する重要な必要性を取り入れた、信じられないほど急速に成長するこの分野の5年間を要約する試みである。
我々は、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技術に関する総合的な調査を行い、マルチドメイン学習、ドメイン一般化、テスト時間適応、ソースフリードメイン適応といった新しいトレンドを明らかにし、セマンティックセグメンテーション研究で最も広く使われているデータセットとベンチマークを記述することで、この調査を結論付ける。
この調査は、学界や業界にまたがる研究者に包括的な参考ガイドを提供し、この分野における新たな研究の方向性の育成に役立てることを願っている。
関連論文リスト
- Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳(メタデータ) (2024-03-04T10:18:38Z) - Prompting Diffusion Representations for Cross-Domain Semantic
Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。
本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文 参考訳(メタデータ) (2023-07-05T09:28:25Z) - Semantic Segmentation by Semantic Proportions [0.0]
そこで本研究では,地層構造分割マップの必要性を排除し,セマンティックセマンティックセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなアプローチを提案する。
我々のアプローチでは、個々の意味クラス比率の粗い情報のみを必要とし、セマンティック比例として短縮される。
データアノテーションプロセスを大幅に単純化し、アノテーションの時間とコストを大幅に削減します。
論文 参考訳(メタデータ) (2023-05-24T22:51:52Z) - Semantic Image Segmentation: Two Decades of Research [22.533249554532322]
本書はセマンティックイメージセグメンテーション(SiS)分野における20年間の研究成果をまとめたものである。
本稿では,近年のトランスフォーマーの利用動向を含む,最近のディープラーニング手法の概要を紹介する。
我々は、マルチドメイン学習、ドメイン一般化、ドメインインクリメンタル学習、テスト時間適応、ソースフリードメイン適応といった新しいトレンドを明らかにした。
論文 参考訳(メタデータ) (2023-02-13T14:11:05Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳(メタデータ) (2021-05-27T23:34:06Z) - Three Ways to Improve Semantic Segmentation with Self-Supervised Depth
Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。
提案されたモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2020-12-19T21:18:03Z) - 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) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Unsupervised Domain Adaptation in Semantic Segmentation: a Review [22.366638308792734]
本研究の目的は, セマンティックセグメンテーションのための深層ネットワークのUnsupervised Domain Adaptation (UDA) の最近の進歩について概説することである。
論文 参考訳(メタデータ) (2020-05-21T20:10:38Z) - Adversarial-Prediction Guided Multi-task Adaptation for Semantic
Segmentation of Electron Microscopy Images [5.027571997864707]
本稿では,ラベルのない新規なターゲットドメイン上で使用するための,よく訓練されたモデルの適応を学習するために,逆予測誘導マルチタスクネットワークを導入する。
対象ドメインにラベルが存在しないため、ソースドメイン上の教師付きセグメンテーションだけでなく、対象データの教師なし再構築のための符号化表現も学習する。
論文 参考訳(メタデータ) (2020-04-05T09:18:11Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳(メタデータ) (2020-03-29T09:03:23Z)
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。