論文の概要: Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with
Point Supervision via Active Selection
- arxiv url: http://arxiv.org/abs/2206.00181v1
- Date: Wed, 1 Jun 2022 01:52:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 06:38:51.865746
- Title: Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with
Point Supervision via Active Selection
- Title（参考訳）: 適応が失敗するラベリング:アクティブセレクションによるポイント監督によるクロスドメインセマンティクスセグメンテーション
- Authors: Fei Pan, Francois Rameau, In So Kweon
- Abstract要約: セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。
教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。
以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。
アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 81.703478548177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training models dedicated to semantic segmentation requires a large amount of
pixel-wise annotated data. Due to their costly nature, these annotations might
not be available for the task at hand. To alleviate this problem, unsupervised
domain adaptation approaches aim at aligning the feature distributions between
the labeled source and the unlabeled target data. While these strategies lead
to noticeable improvements, their effectiveness remains limited. To guide the
domain adaptation task more efficiently, previous works attempted to include
human interactions in this process under the form of sparse single-pixel
annotations in the target data. In this work, we propose a new domain
adaptation framework for semantic segmentation with annotated points via active
selection. First, we conduct an unsupervised domain adaptation of the model;
from this adaptation, we use an entropy-based uncertainty measurement for
target points selection. Finally, to minimize the domain gap, we propose a
domain adaptation framework utilizing these target points annotated by human
annotators. Experimental results on benchmark datasets show the effectiveness
of our methods against existing unsupervised domain adaptation approaches. The
propose pipeline is generic and can be included as an extra module to existing
domain adaptation strategies.
- Abstract（参考訳）: セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。
これらのアノテーションはコストがかかるため、手元にあるタスクには使用できない可能性がある。
この問題を解決するために、教師なし領域適応手法はラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。
これらの戦略は顕著な改善をもたらすが、その効果は限られている。
ドメイン適応タスクをより効率的に導くために、以前の研究では、対象データにスパースなシングルピクセルアノテーションという形で、このプロセスにヒューマンインタラクションを含めようと試みた。
そこで本研究では,アノテートポイントを用いた意味的セグメンテーションのためのドメイン適応フレームワークを提案する。
まず,モデルの教師なし領域適応を行い,この適応から対象点選択のためのエントロピーに基づく不確実性測定を行う。
最後に,アノテータによって注釈付けされたこれらの目標点を利用するドメイン適応フレームワークを提案する。
ベンチマーク実験の結果,既存の教師なし領域適応手法に対する提案手法の有効性が示された。
提案パイプラインは汎用的であり、既存のドメイン適応戦略の余分なモジュールとして含めることができる。
関連論文リスト
- PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning [34.786268652516355]
教師なしドメイン適応セグメンテーションは、それらのドメインのラベル付きデータに頼ることなく、ターゲットドメイン上のモデルのセグメンテーション精度を向上させることを目的としている。
ソースドメイン(ラベル付きデータが利用可能な場所)とターゲットドメイン(ラベルなしデータのみが存在する場所)の特徴表現の整合を図る。
論文 参考訳（メタデータ） (2024-07-24T08:53:29Z) - Adversarial Semi-Supervised Domain Adaptation for Semantic Segmentation:
A New Role for Labeled Target Samples [7.199108088621308]
我々は、ラベル付き対象データがソースサンプルまたは実際のターゲットサンプルとして振る舞う場合に、新たなトレーニング目標損失を設計する。
提案手法を支援するために,ソースデータとラベル付きターゲットデータを混合し,同じ適応プロセスを適用する補完手法を検討する。
本稿では,GTA5,SynTHIA,Cityscapesのベンチマーク実験を通じて得られた知見を紹介する。
論文 参考訳（メタデータ） (2023-12-12T15:40:22Z) - Dynamic Feature Alignment for Semi-supervised Domain Adaptation [23.67093835143]
本稿では,動的特徴アライメントを用いてドメイン間差とドメイン内差に対処することを提案する。
我々のアプローチは、広範囲なチューニングや逆行訓練を必要としないが、半教師付きドメイン適応のための技術の現状を著しく改善する。
論文 参考訳（メタデータ） (2021-10-18T22:26:27Z) - 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) - 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 Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。
この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-04-19T16:07:32Z) - Latent Space Regularization for Unsupervised Domain Adaptation in
Semantic Segmentation [14.050836886292869]
セマンティックセグメンテーションにおけるドメインの不一致を減らすために、機能レベルの空間形成正規化戦略を紹介します。
このような手法の有効性を自律運転環境で検証する。
論文 参考訳（メタデータ） (2021-04-06T16:07:22Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - 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) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T15:24:11Z)
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。