論文の概要: Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation

• arxiv url: http://arxiv.org/abs/2204.02111v1
• Date: Tue, 5 Apr 2022 11:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 13:31:44.145331
• Title: Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation
• Title（参考訳）: フェザー群集の鳥たち:ドメイン適応セグメンテーションのためのカテゴリー・ディバージェンスガイダンス
• Authors: Bo Yuan, Danpei Zhao, Shuai Shao, Zehuan Yuan, Changhu Wang
• Abstract要約: 教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
• 参考スコア（独自算出の注目度）: 35.63920597305474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to enhance the generalization capability of a certain model from a source domain to a target domain. Present UDA models focus on alleviating the domain shift by minimizing the feature discrepancy between the source domain and the target domain but usually ignore the class confusion problem. In this work, we propose an Inter-class Separation and Intra-class Aggregation (ISIA) mechanism. It encourages the cross-domain representative consistency between the same categories and differentiation among diverse categories. In this way, the features belonging to the same categories are aligned together and the confusable categories are separated. By measuring the align complexity of each category, we design an Adaptive-weighted Instance Matching (AIM) strategy to further optimize the instance-level adaptation. Based on our proposed methods, we also raise a hierarchical unsupervised domain adaptation framework for cross-domain semantic segmentation task. Through performing the image-level, feature-level, category-level and instance-level alignment, our method achieves a stronger generalization performance of the model from the source domain to the target domain. In two typical cross-domain semantic segmentation tasks, i.e., GTA5 to Cityscapes and SYNTHIA to Cityscapes, our method achieves the state-of-the-art segmentation accuracy. We also build two cross-domain semantic segmentation datasets based on the publicly available data, i.e., remote sensing building segmentation and road segmentation, for domain adaptive segmentation.
• Abstract（参考訳）: unsupervised domain adaptation(uda)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を強化することを目的としている。 現在のUDAモデルは、ソースドメインとターゲットドメインとの間の機能の相違を最小限にして、ドメインシフトを軽減することに重点を置いている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 同じカテゴリ間のドメイン間の一貫性と、さまざまなカテゴリ間の分化を促進する。 このように同一のカテゴリに属する特徴を並べて、使用可能なカテゴリを分離する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。 また,提案手法に基づいて,ドメイン間セマンティックセグメンテーションタスクのための階層的非教師付きドメイン適応フレームワークも立ち上げる。 本手法は,画像レベル,特徴レベル,カテゴリレベル,インスタンスレベルのアライメントを実行することにより,ソースドメインからターゲットドメインへのモデルのより強力な一般化性能を実現する。 GTA5 to Cityscapes と SynTHIA to Cityscapes の2つの典型的なドメイン間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タスクにおいて,本手法は最先端セマンティクスの精度を実現する。 また,パブリックなデータに基づく2つのクロスドメイン意味セグメンテーションデータセット,すなわち,リモートセンシングビルセグメンテーションと道路セグメンテーションを構築し,ドメイン適応セグメンテーションを行った。

関連論文リスト

• Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels [80.05697343811893]
  クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。 変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
  論文  参考訳（メタデータ） (2022-08-04T17:57:52Z)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なし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対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Vicinal and categorical domain adaptation [43.707303372718336]
  ドメインレベルとカテゴリレベルでの敵対的トレーニングの新たな損失を提案します。 本稿では,2つのドメインからそれぞれ対のインスタンスの凸結合によってインスタンスが生成されるビジナルドメインの概念を提案する。
  論文  参考訳（メタデータ） (2021-03-05T03:47:24Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

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。