論文の概要: Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection
- arxiv url: http://arxiv.org/abs/2206.02355v1
- Date: Mon, 6 Jun 2022 05:12:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 16:15:21.762676
- Title: Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection
- Title（参考訳）: 関連事項:フォアグラウンドアウェアグラフに基づく関係推論によるドメイン適応オブジェクト検出
- Authors: Chaoqi Chen, Jiongcheng Li, Hong-Yu Zhou, Xiaoguang Han, Yue Huang,
Xinghao Ding, Yizhou Yu
- Abstract要約: 我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 81.07378219410182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Adaptive Object Detection (DAOD) focuses on improving the
generalization ability of object detectors via knowledge transfer. Recent
advances in DAOD strive to change the emphasis of the adaptation process from
global to local in virtue of fine-grained feature alignment methods. However,
both the global and local alignment approaches fail to capture the topological
relations among different foreground objects as the explicit dependencies and
interactions between and within domains are neglected. In this case, only
seeking one-vs-one alignment does not necessarily ensure the precise knowledge
transfer. Moreover, conventional alignment-based approaches may be vulnerable
to catastrophic overfitting regarding those less transferable regions (e.g.
backgrounds) due to the accumulation of inaccurate localization results in the
target domain. To remedy these issues, we first formulate DAOD as an open-set
domain adaptation problem, in which the foregrounds and backgrounds are seen as
the ``known classes'' and ``unknown class'' respectively. Accordingly, we
propose a new and general framework for DAOD, named Foreground-aware
Graph-based Relational Reasoning (FGRR), which incorporates graph structures
into the detection pipeline to explicitly model the intra- and inter-domain
foreground object relations on both pixel and semantic spaces, thereby endowing
the DAOD model with the capability of relational reasoning beyond the popular
alignment-based paradigm. The inter-domain visual and semantic correlations are
hierarchically modeled via bipartite graph structures, and the intra-domain
relations are encoded via graph attention mechanisms. Empirical results
demonstrate that the proposed FGRR exceeds the state-of-the-art performance on
four DAOD benchmarks.
- Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は、知識伝達によるオブジェクト検出の一般化能力の向上に焦点を当てている。
DAODの最近の進歩は、微粒な特徴アライメント法により、適応プロセスの重点をグローバルからローカルへと変えようとしている。
しかし、グローバルおよび局所アライメントアプローチは、ドメイン間の明示的な依存関係と相互作用が無視されるため、異なるフォアグラウンドオブジェクト間のトポロジ的関係を捉えることができない。
この場合、一対一のアライメントのみを求めることは必ずしも正確な知識伝達を保証するとは限らない。
さらに、従来のアライメントに基づくアプローチは、ターゲット領域に不正確な局在結果が蓄積されるため、移動不能な領域(例えば背景)に対する破滅的な過剰フィッティングに対して脆弱である可能性がある。
これらの問題を解決するために,まずDAODをオープンセットのドメイン適応問題として定式化し,前景と背景をそれぞれ「既知のクラス」と「未知クラス」とみなす。
そこで我々は,DAODの新たな汎用フレームワークであるフォアグラウンド対応グラフベースリレーショナル推論(FGRR)を提案し,グラフ構造を検出パイプラインに組み込んで,画素とセマンティック空間の両方におけるドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化することにより,DAODモデルにリレーショナル推論の能力を与える。
ドメイン間の視覚的および意味的相関は二部グラフ構造を介して階層的にモデル化され、ドメイン内関係はグラフ注意機構によって符号化される。
実験の結果,提案したFGRRは4つのDAODベンチマークの最先端性能を上回ることがわかった。
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) - Generative Domain Adaptation for Face Anti-Spoofing [38.12738183385737]
教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
論文 参考訳（メタデータ） (2022-07-20T16:24:57Z) - Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。
オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-10T11:14:18Z) - Attention-based Cross-Layer Domain Alignment for Unsupervised Domain
Adaptation [14.65316832227658]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから伝達可能な知識を学び、トレーニングされたモデルをラベルなしターゲットドメインに適応させることを目的としている。
1つの一般的な戦略は、ディープモデルによって抽出されたセマンティックな特徴を整合させることで、分布の相違を最小限にすることである。
論文 参考訳（メタデータ） (2022-02-27T08:36:12Z) - 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) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z) - Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。
さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2020-03-28T17:46:55Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。