論文の概要: Unsupervised Domain Adaptation with Implicit Pseudo Supervision for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2204.06747v1
• Date: Thu, 14 Apr 2022 04:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 13:16:31.672233
• Title: Unsupervised Domain Adaptation with Implicit Pseudo Supervision for Semantic Segmentation
• Title（参考訳）: セマンティクスセグメンテーションのための暗黙的擬似監督による教師なしドメイン適応
• Authors: Wanyu Xu, Zengmao Wang, Wei Bian
• Abstract要約: 我々は、ターゲットドメインに関する新たな補完的知識を学ぶために、暗黙的に生成される擬似ラベルによってモデルを訓練する。 GTA5からCityscapes、SynTHIAからCityscapesタスクへの実験は、提案手法が大幅に改善されていることを示している。
• 参考スコア（独自算出の注目度）: 7.748333539159297
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pseudo-labelling is a popular technique in unsuper-vised domain adaptation for semantic segmentation. However, pseudo labels are noisy and inevitably have confirmation bias due to the discrepancy between source and target domains and training process. In this paper, we train the model by the pseudo labels which are implicitly produced by itself to learn new complementary knowledge about target domain. Specifically, we propose a tri-learning architecture, where every two branches produce the pseudo labels to train the third one. And we align the pseudo labels based on the similarity of the probability distributions for each two branches. To further implicitly utilize the pseudo labels, we maximize the distances of features for different classes and minimize the distances for the same classes by triplet loss. Extensive experiments on GTA5 to Cityscapes and SYNTHIA to Cityscapes tasks show that the proposed method has considerable improvements.
• Abstract（参考訳）: 擬似ラベリング(Pseudo-labelling)は、セマンティックセグメンテーションの領域適応において一般的なテクニックである。 しかし、擬似ラベルはノイズが多く、ソースドメインとターゲットドメインの相違やトレーニングプロセスによる確認バイアスが必然的に発生する。 本稿では,対象ドメインに関する新たな補完的知識を学習するために,暗黙的に生成する擬似ラベルを用いてモデルを訓練する。 具体的には、各2つのブランチが擬似ラベルを生成して第3のブランチをトレーニングするトリラーニングアーキテクチャを提案する。 そして、2つの枝の確率分布の類似性に基づいて擬似ラベルを整列する。 擬似ラベルをより暗黙的に活用するために、異なるクラスの特徴距離を最大化し、三重項損失により同一クラスの特徴距離を最小化する。 GTA5からCityscapes、SynTHIAからCityscapesタスクへの広範な実験は、提案手法が大幅に改善されていることを示している。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• 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)
• Learning Triangular Distribution in Visual World [5.796362696313493]
  畳み込みニューラルネットワークは、ラベル分布学習を含む広汎な視覚タスクで成功している。 本研究では,特徴量とそのラベル間の数学的関連性について検討し,ラベル分布学習のための汎用的でシンプルな枠組みを提案する。 特徴とラベルの間に射影関数を構築するためのいわゆる三角分布変換(TDT)を提案し、対称的特徴差がラベルの違いを線形に反映することを保証する。
  論文  参考訳（メタデータ） (2023-11-30T15:02:13Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation [52.62441404064957]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。 多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。 本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:16:29Z)
• Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation [31.50802009879241]
  ドメイン適応セマンティックセグメンテーション(Domain Adaptive semantic segmentation)は、ソースドメインデータの監視によってモデルを学習し、ラベルなしのターゲットドメイン上で密度の高い予測を生成することを目的としている。 この課題に対する一般的な解決策の1つは自己学習であり、ターゲットサンプルのハイスコア予測をトレーニング用の擬似ラベルとして選択する。 本稿では,ソース領域に強く依存するのではなく,対象領域データの固有画素分布を直接探索することを提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:56:20Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)

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。