論文の概要: Undoing the Damage of Label Shift for Cross-domain Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2204.05546v1
• Date: Tue, 12 Apr 2022 06:18:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 13:11:32.488983
• Title: Undoing the Damage of Label Shift for Cross-domain Semantic Segmentation
• Title（参考訳）: クロスドメインセマンティクスセグメンテーションにおけるラベルシフトの損傷の解消
• Authors: Yahao Liu, Jinhong Deng, Jiale Tao, Tong Chu, Lixin Duan, Wen Li
• Abstract要約: 本研究では,データ条件分布を整列し,後続確率を補正することにより,ラベルシフトの損傷を克服できることを示す。 GTA5,Cityscapes,SynTHIA,Cityscapesなど,都市景観のベンチマークデータセットについて広範な実験を行った。 GTA5上の59.3% mIoUからCityscapesに到達し、新たな最先端技術へと押し上げました。
• 参考スコア（独自算出の注目度）: 27.44765822956167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing works typically treat cross-domain semantic segmentation (CDSS) as a data distribution mismatch problem and focus on aligning the marginal distribution or conditional distribution. However, the label shift issue is unfortunately overlooked, which actually commonly exists in the CDSS task, and often causes a classifier bias in the learnt model. In this paper, we give an in-depth analysis and show that the damage of label shift can be overcome by aligning the data conditional distribution and correcting the posterior probability. To this end, we propose a novel approach to undo the damage of the label shift problem in CDSS. In implementation, we adopt class-level feature alignment for conditional distribution alignment, as well as two simple yet effective methods to rectify the classifier bias from source to target by remolding the classifier predictions. We conduct extensive experiments on the benchmark datasets of urban scenes, including GTA5 to Cityscapes and SYNTHIA to Cityscapes, where our proposed approach outperforms previous methods by a large margin. For instance, our model equipped with a self-training strategy reaches 59.3% mIoU on GTA5 to Cityscapes, pushing to a new state-of-the-art. The code will be available at https://github.com/manmanjun/Undoing UDA.
• Abstract（参考訳）: 既存の作業は通常、データ分散ミスマッチ問題としてクロスドメインセマンティックセグメンテーション(CDSS)を扱い、限界分布や条件分布の整合に集中する。 しかし、ラベルシフト問題は残念ながら見過ごされ、CDSSタスクに一般的に存在し、しばしば学習モデルに分類器バイアスを引き起こす。 本稿では,データ条件分布を整列し,後続確率を補正することにより,ラベルシフトの損傷を克服できることを示す。 そこで本研究では,CDSSにおけるラベルシフト問題に対するダメージを解消するための新しい手法を提案する。 実装では、条件分布アライメントのためのクラスレベルの特徴アライメントと、2つの単純かつ効果的な方法を採用し、分類器の予測を書き換えることで、ソースからターゲットへの分類器バイアスを補正する。 我々は,gta5から都市景観へ,シンセシアから都市景観へといった都市景観のベンチマークデータセットを広範囲に実験し,提案手法が従来の手法を大きく上回った。 例えば、我々のモデルは、GTA5上で59.3% mIoUに達し、Cityscapesに到達し、新しい最先端技術へと押し上げています。 コードはhttps://github.com/manmanjun/Undoing UDAで入手できる。

関連論文リスト

• GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
  ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。 近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。 本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
  論文  参考訳（メタデータ） (2023-08-20T08:52:43Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Domain Adaptation under Open Set Label Shift [39.424134505152544]
  オープンセットラベルシフト(OSLS)におけるドメイン適応問題について紹介する。 OSLSはラベルシフトとポジティブアンラベル(PU)学習の下でドメイン適応を仮定する。 ブラックボックス予測器を利用する両方のタスクに対して,実用的な手法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:09:48Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• 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)
• Cycle Self-Training for Domain Adaptation [85.14659717421533]
  Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。 CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。 実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-05T10:04:25Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Posterior Re-calibration for Imbalanced Datasets [33.379680556475314]
  トレーニングラベルの分布が極めて不均衡な場合、ニューラルネットワークは性能が良くない。 我々は、KL分割に基づく最適化によって解決できる訓練後の事前バランス手法を導出する。 6つの異なるデータセットと5つの異なるアーキテクチャで得られた結果は、芸術的正確性を示している。
  論文  参考訳（メタデータ） (2020-10-22T15:57:14Z)
• Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift [11.873435088539459]
  本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。 提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
  論文  参考訳（メタデータ） (2020-01-22T06:41:31Z)

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。