Fugu-MT 論文翻訳(概要): Integrated Multiscale Domain Adaptive YOLO

論文の概要: Integrated Multiscale Domain Adaptive YOLO

arxiv url: http://arxiv.org/abs/2202.03527v1
Date: Mon, 7 Feb 2022 21:30:53 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 14:58:24.612957
Title: Integrated Multiscale Domain Adaptive YOLO
Title（参考訳）: マルチスケールドメイン適応型YOLO
Authors: Mazin Hnewa and Hayder Radha
Abstract要約: 最近導入されたYOLOv4オブジェクト検出器の異なるスケールで、複数のドメイン適応パスと対応するドメイン分類器を利用する新しいMultiScale Domain Adaptive YOLO(MS-DAYOLO)フレームワークを導入する。本実験は,提案したMS-DAYOLOアーキテクチャを用いたYOLOv4のトレーニングや,自動運転アプリケーションを対象とした目標データを用いたテストにおいて,オブジェクト検出性能が大幅に向上したことを示す。
参考スコア（独自算出の注目度）: 5.33024001730262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The area of domain adaptation has been instrumental in addressing the domain shift problem encountered by many applications. This problem arises due to the difference between the distributions of source data used for training in comparison with target data used during realistic testing scenarios. In this paper, we introduce a novel MultiScale Domain Adaptive YOLO (MS-DAYOLO) framework that employs multiple domain adaptation paths and corresponding domain classifiers at different scales of the recently introduced YOLOv4 object detector. Building on our baseline multiscale DAYOLO framework, we introduce three novel deep learning architectures for a Domain Adaptation Network (DAN) that generates domain-invariant features. In particular, we propose a Progressive Feature Reduction (PFR), a Unified Classifier (UC), and an Integrated architecture. We train and test our proposed DAN architectures in conjunction with YOLOv4 using popular datasets. Our experiments show significant improvements in object detection performance when training YOLOv4 using the proposed MS-DAYOLO architectures and when tested on target data for autonomous driving applications. Moreover, MS-DAYOLO framework achieves an order of magnitude real-time speed improvement relative to Faster R-CNN solutions while providing comparable object detection performance.
Abstract（参考訳）: ドメイン適応の領域は多くのアプリケーションで遭遇するドメインシフト問題に対処するのに役立ちました。この問題は、トレーニングに使用されるソースデータの分布と、実際のテストシナリオで使用されるターゲットデータとの差に起因する。本稿では、最近導入されたYOLOv4オブジェクト検出器の異なるスケールで、複数のドメイン適応パスと対応するドメイン分類器を利用する新しいMultiScale Domain Adaptive YOLO(MS-DAYOLO)フレームワークを提案する。ベースラインのマルチスケールdayoloフレームワークに基づいて、ドメイン不変機能を生成するドメイン適応ネットワーク(dan)のための3つの新しいディープラーニングアーキテクチャを紹介します。特に、プログレッシブ・フィーチャー・リダクション(PFR)、統一分類器(UC)、統合アーキテクチャを提案する。私たちは、一般的なデータセットを使用して、YOLOv4と一緒に提案されたDANアーキテクチャをトレーニングし、テストします。本実験は,提案したMS-DAYOLOアーキテクチャを用いたYOLOv4のトレーニングや,自動運転アプリケーションを対象とした目標データを用いたテストにおいて,オブジェクト検出性能が大幅に向上したことを示す。さらに、MS-DAYOLOフレームワークは、高速なR-CNNソリューションに対して、オブジェクト検出性能を同等にしながら、桁違いのリアルタイム高速化を実現している。

関連論文リスト

Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。 SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文参考訳（メタデータ） (2024-07-01T09:45:22Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
SSDA-YOLO: Semi-supervised Domain Adaptive YOLO for Cross-Domain Object Detection [27.02391566687007]
ドメイン適応オブジェクト検出(DAD)は、ドメイン間の不一致に起因する転送性能の劣化を軽減することを目的としている。クロスドメイン検出性能を向上させるために,新しい半教師付きドメイン適応型YOLO(SSDA-YOLO)を提案する。
論文参考訳（メタデータ） (2022-11-04T01:50:13Z)
Rethinking Few-Shot Object Detection on a Multi-Domain Benchmark [28.818423712485504]
Multi-dOmain Few-Shot Object Detection (MoFSOD)ベンチマークは、幅広いドメインから10のデータセットで構成されている。我々は、FSOD性能に対する凍結層、異なるアーキテクチャ、異なる事前学習データセットの影響を分析する。
論文参考訳（メタデータ） (2022-07-22T16:13:22Z)
Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-09T06:41:18Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-06-30T03:17:20Z)
Domain Adaptive YOLO for One-Stage Cross-Domain Detection [4.596221278839825]
ドメイン適応型YOLO (DA-YOLO) は1段検出器のクロスドメイン性能を向上させるために提案される。提案手法を,Cityscapes,KITTI,SIM10Kなどの一般的なデータセット上で評価する。
論文参考訳（メタデータ） (2021-06-26T04:17:42Z)
Multiscale Domain Adaptive YOLO for Cross-Domain Object Detection [0.0]
我々は、複数のドメイン適応パスと対応するドメイン分類器を異なるスケールで使用して、ドメイン不変の機能を生成する、新しいMultiScale Domain Adaptive YOLO(MS-DAYOLO)フレームワークを提案する。本実験は,提案したMS-DAYOLOを用いたYOLOv4のトレーニングや,自律運転用車両の厳しい気象条件を示す目標データ上での試験において,物体検出性能が著しく向上したことを示す。
論文参考訳（メタデータ） (2021-06-02T21:50:25Z)
Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
論文参考訳（メタデータ） (2020-10-10T05:13:49Z)
Deeply Aligned Adaptation for Cross-domain Object Detection [33.766468227676214]
クロスドメインオブジェクト検出は、最近、現実世界のアプリケーションにますます注目を集めている。本稿では,高速なR-CNNに基づくエンドツーエンドのソリューションを提案する。
論文参考訳（メタデータ） (2020-04-05T04:41:45Z)

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。