論文の概要: Cross Domain Object Detection by Target-Perceived Dual Branch Distillation

• arxiv url: http://arxiv.org/abs/2205.01291v1
• Date: Tue, 3 May 2022 03:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:25:23.510570
• Title: Cross Domain Object Detection by Target-Perceived Dual Branch Distillation
• Title（参考訳）: 二重分岐蒸留によるクロスドメイン物体検出
• Authors: Mengzhe He, Yali Wang, Jiaxi Wu, Yiru Wang, Hanqing Li, Bo Li, Weihao Gan, Wei Wu, Yu Qiao
• Abstract要約: クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。 本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。 私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 49.68119030818388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross domain object detection is a realistic and challenging task in the wild. It suffers from performance degradation due to large shift of data distributions and lack of instance-level annotations in the target domain. Existing approaches mainly focus on either of these two difficulties, even though they are closely coupled in cross domain object detection. To solve this problem, we propose a novel Target-perceived Dual-branch Distillation (TDD) framework. By integrating detection branches of both source and target domains in a unified teacher-student learning scheme, it can reduce domain shift and generate reliable supervision effectively. In particular, we first introduce a distinct Target Proposal Perceiver between two domains. It can adaptively enhance source detector to perceive objects in a target image, by leveraging target proposal contexts from iterative cross-attention. Afterwards, we design a concise Dual Branch Self Distillation strategy for model training, which can progressively integrate complementary object knowledge from different domains via self-distillation in two branches. Finally, we conduct extensive experiments on a number of widely-used scenarios in cross domain object detection. The results show that our TDD significantly outperforms the state-of-the-art methods on all the benchmarks. Our code and model will be available at https://github.com/Feobi1999/TDD.
• Abstract（参考訳）: クロスドメインオブジェクト検出は、現実的には現実的で挑戦的なタスクです。 データ分散の大きなシフトと、ターゲットドメインにおけるインスタンスレベルのアノテーションの欠如により、パフォーマンスが低下する。 既存のアプローチは主に、クロスドメインオブジェクト検出に密結合しているにもかかわらず、これらの2つの困難のいずれかに焦点を当てています。 この問題を解決するために, 新規な目標パーセプション型デュアルブランチ蒸留(tdd)フレームワークを提案する。 情報源と対象ドメインの両方の検出ブランチを統合学習方式に統合することにより、ドメインシフトを低減し、信頼性の高い監視を効果的に生成することができる。 特に、まず2つのドメイン間で異なるターゲット提案受理器を導入する。 反復的クロスアテンションからターゲット提案コンテキストを活用することにより、対象画像内のオブジェクトを知覚するソース検出器を適応的に強化することができる。 その後, 2つの分野の自己蒸留を通じて, 異なる領域からの補完的対象知識を段階的に統合できるモデル学習のための簡潔な二重分岐自己蒸留戦略を考案する。 最後に、クロスドメインオブジェクト検出において広く使われているシナリオを広範囲に実験する。 その結果、TDDはすべてのベンチマークで最先端のメソッドよりも大幅に優れています。 私たちのコードとモデルはhttps://github.com/Feobi 1999/TDDで公開されます。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Improving Single Domain-Generalized Object Detection: A Focus on Diversification and Alignment [17.485775402656127]
  基底検出器は、単一領域の一般化のための既存の手法を良いマージンで上回ることができる。 分類と局所化の両方の出力を考慮して,複数のビューから検出を整列する手法を提案する。 我々のアプローチは検出器非依存であり、単段検出器と二段検出器の両方にシームレスに適用できる。
  論文  参考訳（メタデータ） (2024-05-23T12:29:25Z)
• Detect, Augment, Compose, and Adapt: Four Steps for Unsupervised Domain Adaptation in Object Detection [7.064953237013352]
  教師なし領域適応(Unsupervised domain adapt、UDA)は、アノテートされたデータなしで、ソース学習された検出器を対象領域に適応させる際に、オブジェクト検出において重要な役割を果たす。 自己超越性を活用し,ソースとターゲットデータを同時に訓練する,新しい,効果的な4段階のUDA手法を提案する。 提案手法は最先端性能を実現し,平均精度(mAP)を2%以上向上させる。
  論文  参考訳（メタデータ） (2023-08-29T14:48:29Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  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からラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• Density-Insensitive Unsupervised Domain Adaption on 3D Object Detection [19.703181080679176]
  ポイントクラウドからの3Dオブジェクト検出は、安全クリティカルな自動運転において不可欠である。 本稿では,密度依存性ドメインギャップに対処する密度依存性ドメイン適応フレームワークを提案する。 3つの広く採用されている3次元オブジェクト検出データセットの実験結果から,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-19T06:33:07Z)
• DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
  セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。 我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。 我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
  論文  参考訳（メタデータ） (2022-07-20T15:47:34Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
  ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。 本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。 私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
  論文  参考訳（メタデータ） (2021-08-02T15:24:40Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)

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。