論文の概要: SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2203.15202v1
• Date: Tue, 29 Mar 2022 02:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 07:16:01.038450
• Title: SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation
• Title（参考訳）: SimT: ドメイン適応セマンティックセマンティックセグメンテーションのためのオープンセットノイズ処理
• Authors: Xiaoqing Guo, Jie Liu, Tongliang Liu and Yiyuan Yuan
• Abstract要約: 本稿では,ブラックボックスモデルを用いて,擬似ラベル付きターゲットデータのみにアクセス可能な実用的なドメイン適応(DA)セマンティックセマンティックセマンティクス問題について検討する。 ドメインギャップと2つのドメイン間のラベルシフトのため、擬似ラベル付きターゲットデータには、クローズドセットとオープンセットのラベルノイズが混在している。 DAセマンティックセグメンテーションにおける混合雑音分布をモデル化し、SimTの推定として問題を定式化するための単純なノイズ遷移行列(SimT)を提案する。
• 参考スコア（独自算出の注目度）: 58.61946589036262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies a practical domain adaptive (DA) semantic segmentation problem where only pseudo-labeled target data is accessible through a black-box model. Due to the domain gap and label shift between two domains, pseudo-labeled target data contains mixed closed-set and open-set label noises. In this paper, we propose a simplex noise transition matrix (SimT) to model the mixed noise distributions in DA semantic segmentation and formulate the problem as estimation of SimT. By exploiting computational geometry analysis and properties of segmentation, we design three complementary regularizers, i.e. volume regularization, anchor guidance, convex guarantee, to approximate the true SimT. Specifically, volume regularization minimizes the volume of simplex formed by rows of the non-square SimT, which ensures outputs of segmentation model to fit into the ground truth label distribution. To compensate for the lack of open-set knowledge, anchor guidance and convex guarantee are devised to facilitate the modeling of open-set noise distribution and enhance the discriminative feature learning among closed-set and open-set classes. The estimated SimT is further utilized to correct noise issues in pseudo labels and promote the generalization ability of segmentation model on target domain data. Extensive experimental results demonstrate that the proposed SimT can be flexibly plugged into existing DA methods to boost the performance. The source code is available at \url{https://github.com/CityU-AIM-Group/SimT}.
• Abstract（参考訳）: 本稿では,疑似ラベル付き対象データのみをブラックボックスモデルでアクセス可能な,実用的なドメイン適応型(da)意味セグメンテーション問題について検討する。 2つのドメイン間のドメインギャップとラベルシフトのため、疑似ラベルされたターゲットデータは、クローズドセットとオープンセットのラベルノイズを含む。 本稿では,da意味セグメンテーションにおける混合雑音分布をモデル化するシンプレックス雑音遷移行列(simt)を提案し,問題をsimt推定として定式化する。 セグメンテーションの計算幾何学的解析と特性を利用して、正則化、アンカーガイダンス、凸保証という3つの相補正規化器を設計し、真のSimTを近似する。 具体的には、体積正規化は非二乗SimTの行によって形成される単純度の体積を最小化し、セグメント化モデルの出力を基底真理ラベル分布に適合させる。 オープンセット知識の欠如を補うため、アンカーガイダンスと凸保証を考案し、オープンセットノイズ分布のモデリングを容易にし、クローズドセットおよびオープンセットクラス間の識別的特徴学習を強化する。 さらに、推定simtを用いて擬似ラベルのノイズ問題を補正し、対象領域データに対するセグメンテーションモデルの一般化を促進する。 実験結果から,提案したSimTを既存のDA法に柔軟に接続して性能を向上できることが示された。 ソースコードは \url{https://github.com/CityU-AIM-Group/SimT} で入手できる。

関連論文リスト

• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Semantic Connectivity-Driven Pseudo-labeling for Cross-domain Segmentation [89.41179071022121]
  自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。 本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。 このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
  論文  参考訳（メタデータ） (2023-12-11T12:29:51Z)
• Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
  Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。 以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T19:16:47Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解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） (2023-01-02T04:27:25Z)
• Towards Robust Adaptive Object Detection under Noisy Annotations [40.25050610617893]
  既存のメソッドでは、ソースドメインラベルは完全にクリーンだが、大規模なデータセットにはインスタンスの曖昧さのためにエラーが発生しやすいアノテーションが含まれることが多い。 本稿では,この問題に対処するためのノイズ遅延伝達可能性探索フレームワークを提案する。 NLTEは、60%の破損したアノテーションの下でmAPを8.4%改善し、クリーンソースデータセットでのトレーニングの理想的な上限にアプローチする。
  論文  参考訳（メタデータ） (2022-04-06T07:02:37Z)
• ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
  2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。 FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。 reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
  論文  参考訳（メタデータ） (2020-12-27T02:38:45Z)
• Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels [86.5943044285146]
  ラベルノイズ遷移行列$T$は、真のラベルがノイズのあるものへと反転する確率を反映する。 本稿では,閉集合と開集合の混在したラベル雑音下での学習に着目した。 本手法は,従来の最先端のラベル雑音学習法よりも頑健な性能を追求し,混合ラベル雑音をモデル化する。
  論文  参考訳（メタデータ） (2020-12-02T02:42:45Z)

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。