論文の概要: Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2112.08605v1
• Date: Thu, 16 Dec 2021 04:07:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:30:41.721344
• Title: Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection
• Title（参考訳）: 領域適応オブジェクト検出のための周波数スペクトル増大一貫性
• Authors: Rui Liu and Yahong Han and Yaowei Wang and Qi Tian
• Abstract要約: 周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
• 参考スコア（独自算出の注目度）: 107.52026281057343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive object detection (DAOD) aims to improve the generalization ability of detectors when the training and test data are from different domains. Considering the significant domain gap, some typical methods, e.g., CycleGAN-based methods, adopt the intermediate domain to bridge the source and target domains progressively. However, the CycleGAN-based intermediate domain lacks the pix- or instance-level supervision for object detection, which leads to semantic differences. To address this problem, in this paper, we introduce a Frequency Spectrum Augmentation Consistency (FSAC) framework with four different low-frequency filter operations. In this way, we can obtain a series of augmented data as the intermediate domain. Concretely, we propose a two-stage optimization framework. In the first stage, we utilize all the original and augmented source data to train an object detector. In the second stage, augmented source and target data with pseudo labels are adopted to perform the self-training for prediction consistency. And a teacher model optimized using Mean Teacher is used to further revise the pseudo labels. In the experiment, we evaluate our method on the single- and compound- target DAOD separately, which demonstrate the effectiveness of our method.
• Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は、異なるドメインからトレーニングやテストデータを取得する際に、検出器の一般化能力を向上することを目的としている。 重要なドメインギャップを考慮すると、例えばCycleGANベースのメソッドのような典型的なメソッドは、ソースとターゲットドメインを徐々にブリッジするために中間ドメインを採用する。 しかし、CycleGANベースの中間ドメインは、オブジェクト検出のためのピクセルレベルまたはインスタンスレベルの監督を欠いているため、セマンティックな違いが生じる。 本稿では、4つの異なる低周波フィルタ演算を持つ周波数スペクトル拡張一貫性(fsac)フレームワークを提案する。 このようにして、中間領域として一連の拡張データを得ることができる。 具体的には,2段階最適化フレームワークを提案する。 第1段階では、すべてのオリジナルおよび拡張ソースデータを使用して、オブジェクト検出器をトレーニングします。 第2段階では、擬似ラベル付き拡張ソースとターゲットデータを採用して、予測一貫性のための自己学習を行う。 また、平均教師を最適化した教師モデルを用いて、擬似ラベルをさらに修正する。 実験では,単目的と複目的のDAODを別々に評価し,本手法の有効性を実証した。

関連論文リスト

• GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
  mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。 この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。 実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-31T03:21:08Z)
• Adversarial Alignment for Source Free Object Detection [24.99432954279032]
  Source-free Object Detection (SFOD) は、ラベル豊富なソースドメインで事前訓練された検出器を、ソースデータを見ることなくラベルのないターゲットドメインに転送することを目的としている。 対象ドメインをソース類似部とソース異部に分割し,敵対学習により特徴空間に配置する。 提案手法は比較したSFOD法より一貫して優れる。
  論文  参考訳（メタデータ） (2023-01-11T02:08:37Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• 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)
• 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)
• Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
  本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。 近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。 本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
  論文  参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。