論文の概要: Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement
- arxiv url: http://arxiv.org/abs/2201.01929v1
- Date: Thu, 6 Jan 2022 05:43:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 14:52:40.800008
- Title: Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement
- Title(参考訳): Decompose to Adapt: Feature Disentanglementによるクロスドメインオブジェクト検出
- Authors: Dongnan Liu, Chaoyi Zhang, Yang Song, Heng Huang, Chenyu Wang, Michael
Barnett, Weidong Cai
- Abstract要約: 本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
- 参考スコア(独自算出の注目度): 79.2994130944482
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in unsupervised domain adaptation (UDA) techniques have
witnessed great success in cross-domain computer vision tasks, enhancing the
generalization ability of data-driven deep learning architectures by bridging
the domain distribution gaps. For the UDA-based cross-domain object detection
methods, the majority of them alleviate the domain bias by inducing the
domain-invariant feature generation via adversarial learning strategy. However,
their domain discriminators have limited classification ability due to the
unstable adversarial training process. Therefore, the extracted features
induced by them cannot be perfectly domain-invariant and still contain
domain-private factors, bringing obstacles to further alleviate the
cross-domain discrepancy. To tackle this issue, we design a Domain
Disentanglement Faster-RCNN (DDF) to eliminate the source-specific information
in the features for detection task learning. Our DDF method facilitates the
feature disentanglement at the global and local stages, with a Global Triplet
Disentanglement (GTD) module and an Instance Similarity Disentanglement (ISD)
module, respectively. By outperforming state-of-the-art methods on four
benchmark UDA object detection tasks, our DDF method is demonstrated to be
effective with wide applicability.
- Abstract(参考訳): 教師なしドメイン適応(UDA)技術の最近の進歩は、ドメイン間コンピュータビジョンタスクにおいて大きな成功を収め、ドメイン分散ギャップを埋めることにより、データ駆動型ディープラーニングアーキテクチャの一般化能力を高めている。
UDAベースのクロスドメインオブジェクト検出手法では、その大部分は、逆学習戦略を通じてドメイン不変の機能生成を誘導することにより、ドメインバイアスを軽減する。
しかし, ドメイン識別者は, 不安定な対向訓練過程のため, 分類能力に制限がある。
したがって、抽出された特徴は完全にドメイン不変ではなく、依然としてドメインプライベートな要素を含まないため、ドメイン間の相違をさらに緩和する障害が生じる。
この問題に対処するために,タスク学習機能におけるソース固有情報を排除するために,DDF(Domain Disentanglement Faster-RCNN)を設計する。
ddf法は,gtd(global triplet disentanglement)モジュールとisd(instance similarity disentanglement)モジュールを用いて,大域的および局所的な段階における特徴的不等角化を促進する。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法よりも優れていることを示す。
関連論文リスト
- AVATAR: Adversarial self-superVised domain Adaptation network for TARget
domain [11.764601181046496]
本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。
本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。
提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2023-04-28T20:31:56Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳(メタデータ) (2022-04-06T09:13:25Z) - Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文 参考訳(メタデータ) (2021-09-19T00:27:08Z) - 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) - 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) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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へ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳(メタデータ) (2021-03-25T15:28:41Z) - Unsupervised Cross-domain Image Classification by Distance Metric Guided
Feature Alignment [11.74643883335152]
教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。
本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。
我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
論文 参考訳(メタデータ) (2020-08-19T13:36:57Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳(メタデータ) (2020-05-14T04:23:24Z)
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。