論文の概要: SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2204.08808v1
• Date: Tue, 19 Apr 2022 11:16:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 14:25:17.838146
• Title: SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation
• Title（参考訳）: sepico:ドメイン適応意味セグメンテーションのための意味誘導ピクセルコントラスト
• Authors: Binhui Xie, Shuang Li, Mingjia Li, Chi Harold Liu, Gao Huang and Guoren Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.62441404064957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive semantic segmentation attempts to make satisfactory dense predictions on an unlabeled target domain by utilizing the model trained on a labeled source domain. One solution is self-training, which retrains models with target pseudo labels. Many methods tend to alleviate noisy pseudo labels, however, they ignore intrinsic connections among cross-domain pixels with similar semantic concepts. Thus, they would struggle to deal with the semantic variations across domains, leading to less discrimination and poor generalization. In this work, we propose Semantic-Guided Pixel Contrast (SePiCo), a novel one-stage adaptation framework that highlights the semantic concepts of individual pixel to promote learning of class-discriminative and class-balanced pixel embedding space across domains. Specifically, to explore proper semantic concepts, we first investigate a centroid-aware pixel contrast that employs the category centroids of the entire source domain or a single source image to guide the learning of discriminative features. Considering the possible lack of category diversity in semantic concepts, we then blaze a trail of distributional perspective to involve a sufficient quantity of instances, namely distribution-aware pixel contrast, in which we approximate the true distribution of each semantic category from the statistics of labeled source data. Moreover, such an optimization objective can derive a closed-form upper bound by implicitly involving an infinite number of (dis)similar pairs. Extensive experiments show that SePiCo not only helps stabilize training but also yields discriminative features, making significant progress in both daytime and nighttime scenarios. Most notably, SePiCo establishes excellent results on tasks of GTAV/SYNTHIA-to-Cityscapes and Cityscapes-to-Dark Zurich, improving by 12.8, 8.8, and 9.2 mIoUs compared to the previous best method, respectively.
• Abstract（参考訳）: 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して、ラベルなしのターゲットドメインで十分な密集した予測を試みる。 ひとつの解決策は、ターゲットの擬似ラベルでモデルを再トレーニングするセルフトレーニングである。 多くの方法はノイズの多い擬似ラベルを緩和する傾向があるが、同様の意味概念を持つクロスドメインピクセル間の内在的な接続を無視する。 したがって、ドメイン間のセマンティックなバリエーションに対処するのに苦労し、差別や一般化の低さにつながった。 本研究では,セマンティック・ガイド・ピクセル・コントラスト (SePiCo) を提案する。セマンティック・ガイド・ピクセル・コントラスト (SePiCo) は,各ピクセルのセマンティックな概念を強調する新しい一段階適応フレームワークである。 特に、適切な意味概念を検討するために、まず、ソースドメイン全体または単一のソースイメージのカテゴリcentroidsを使用して、識別的特徴の学習をガイドするcentroid-awareピクセルコントラストを調査します。 セマンティックな概念におけるカテゴリの多様性の欠如を考慮し、各セマンティックなカテゴリの真の分布をラベル付きソースデータの統計から近似する、分布対応画素コントラストという、十分な量のインスタンスを包含する分布的視点の軌跡を示す。 さらに、そのような最適化目的は無限個の(dis)類似のペアを暗黙的に含むことによって閉形式上界を導出することができる。 大規模な実験によると、SePiCoはトレーニングの安定だけでなく、差別的な特徴も生み出す。 特に、SePiCoは、GTAV/SYNTHIA-to-CityscapesとCityscapes-to-Dark Zurichのタスクにおいて優れた結果を確立し、前回のベストメソッドと比較して12.8、8.8、9.2 mIoUsの改善を行った。

関連論文リスト

• Pixel-Level Domain Adaptation: A New Perspective for Enhancing Weakly Supervised Semantic Segmentation [13.948425538725138]
  画素単位の領域不変性を学習する際のモデルとして,Pixel-Level Domain Adaptation (PLDA)法を提案する。 我々は,幅広い環境下でのアプローチの有効性を実験的に実証した。
  論文  参考訳（メタデータ） (2024-08-04T14:14:54Z)
• 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)
• SPCL: A New Framework for Domain Adaptive Semantic Segmentation via Semantic Prototype-based Contrastive Learning [6.705297811617307]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに知識を転送するのに役立ちます。 本稿では,クラスアライメントを微粒化するための新しい意味的プロトタイプに基づくコントラスト学習フレームワークを提案する。 我々の手法は実装が容易であり、最先端の手法と比較して優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-11-24T09:26:07Z)
• Pixel-by-Pixel Cross-Domain Alignment for Few-Shot Semantic Segmentation [16.950853152484203]
  自律運転アプリケーションにおけるセマンティックセグメンテーションの課題について考察する。 この文脈では、ピクセル単位のクラス不均衡により、ドメインの整列がより困難になる。 我々は Pixel-By-Pixel Cross-Domain Alignment (PixDA) と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-22T08:27:17Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応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について検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• 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。

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。