Fugu-MT 論文翻訳(概要): Unsupervised Contrastive Domain Adaptation for Semantic Segmentation

論文の概要: Unsupervised Contrastive Domain Adaptation for Semantic Segmentation

arxiv url: http://arxiv.org/abs/2204.08399v1
Date: Mon, 18 Apr 2022 16:50:46 GMT
ステータス: 処理完了
システム内更新日: 2022-04-19 15:58:49.757216
Title: Unsupervised Contrastive Domain Adaptation for Semantic Segmentation
Title（参考訳）: セマンティックセグメンテーションのための教師なしコントラスト領域適応
Authors: Feihu Zhang, Vladlen Koltun, Philip Torr, Ren\'e Ranftl, Stephan R. Richter
Abstract要約: クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。提案手法は、ドメイン適応のための最先端手法を一貫して上回る。 Cityscapesデータセットで60.2% mIoUを達成した。
参考スコア（独自算出の注目度）: 75.37470873764855
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic segmentation models struggle to generalize in the presence of domain shift. In this paper, we introduce contrastive learning for feature alignment in cross-domain adaptation. We assemble both in-domain contrastive pairs and cross-domain contrastive pairs to learn discriminative features that align across domains. Based on the resulting well-aligned feature representations we introduce a label expansion approach that is able to discover samples from hard classes during the adaptation process to further boost performance. The proposed approach consistently outperforms state-of-the-art methods for domain adaptation. It achieves 60.2% mIoU on the Cityscapes dataset when training on the synthetic GTA5 dataset together with unlabeled Cityscapes images.
Abstract（参考訳）: セマンティックセグメンテーションモデルは、ドメインシフトの存在下で一般化するのに苦労する。本稿では,クロスドメイン適応における特徴アライメントのためのコントラスト学習を提案する。ドメイン内のコントラスト対とクロスドメインのコントラスト対の両方を組み立てて、ドメインをまたがる識別的特徴を学ぶ。結果として得られた機能表現に基づいて、適応プロセス中にハードクラスからサンプルを発見できるラベル拡張アプローチを導入し、パフォーマンスをさらに向上させます。提案手法はドメイン適応のための最先端手法を一貫して上回る。合成GTA5データセットと未ラベルのCityscapesイメージのトレーニングで、Cityscapesデータセット上で60.2% mIoUを達成した。

関連論文リスト

Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文参考訳（メタデータ） (2024-01-21T09:57:56Z)
Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-08-28T14:43:36Z)
CDA: Contrastive-adversarial Domain Adaptation [11.354043674822451]
我々はtextbfContrastive-adversarial textbfDomain textbfAdaptation textbf(CDA) と呼ばれるドメイン適応のための2段階モデルを提案する。逆成分はドメインレベルのアライメントを促進するが、2段階のコントラスト学習はクラス情報を利用してドメイン間の高いクラス内コンパクト性を実現する。
論文参考訳（メタデータ） (2023-01-10T07:43:21Z)
Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
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。
論文参考訳（メタデータ） (2022-04-05T11:17:19Z)
Adapting Segmentation Networks to New Domains by Disentangling Latent Representations [14.050836886292869]
ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
論文参考訳（メタデータ） (2021-08-06T09:43:07Z)
Semi-Supervised Domain Adaptation via Adaptive and Progressive Feature Alignment [32.77436219094282]
SSDASはラベル付きターゲットサンプルを、ラベル付きソースサンプルとラベルなしターゲットサンプルの間に適応的かつプログレッシブな特徴アライメントのためのアンカーとして採用している。さらに、反復学習過程において、異種音源の特徴を高信頼目標特徴に置き換える。広範な実験により、提案されたSSDASは、多くのベースラインを大きく上回っている。
論文参考訳（メタデータ） (2021-06-05T09:12:50Z)
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)
Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文参考訳（メタデータ） (2021-04-22T13:39:12Z)
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)

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。