論文の概要: A Semantic Consistency Feature Alignment Object Detection Model Based on
Mixed-Class Distribution Metrics
- arxiv url: http://arxiv.org/abs/2206.05765v1
- Date: Sun, 12 Jun 2022 15:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 13:33:13.171093
- Title: A Semantic Consistency Feature Alignment Object Detection Model Based on
Mixed-Class Distribution Metrics
- Title（参考訳）: 混合型分布量に基づく意味整合性特徴配向オブジェクト検出モデル
- Authors: Lijun Gou and Jinrong Yang and Hangcheng Yu and Pan Wang and Xiaoping
Li and Chao Deng
- Abstract要約: 教師なしのドメイン適応は、オブジェクト検出、インスタンスのセグメンテーションなど、様々なコンピュータビジョンタスクにおいて重要である。
ドメイン適応オブジェクト検出では、画像レベルとインスタンスレベルのシフトを調整して、最終的にドメインの相違を最小化しようとする試みが行われた。
オブジェクト検出のための混合クラス$H-divergence$を提案する。
- 参考スコア（独自算出の注目度）: 10.055012340371505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation is critical in various computer vision tasks,
such as object detection, instance segmentation, etc. They attempt to reduce
domain bias-induced performance degradation while also promoting model
application speed. Previous works in domain adaptation object detection attempt
to align image-level and instance-level shifts to eventually minimize the
domain discrepancy, but they may align single-class features to mixed-class
features in image-level domain adaptation because each image in the object
detection task may be more than one class and object. In order to achieve
single-class with single-class alignment and mixed-class with mixed-class
alignment, we treat the mixed-class of the feature as a new class and propose a
mixed-classes $H-divergence$ for object detection to achieve homogenous feature
alignment and reduce negative transfer. Then, a Semantic Consistency Feature
Alignment Model (SCFAM) based on mixed-classes $H-divergence$ was also
presented. To improve single-class and mixed-class semantic information and
accomplish semantic separation, the SCFAM model proposes Semantic Prediction
Models (SPM) and Semantic Bridging Components (SBC). And the weight of the pix
domain discriminator loss is then changed based on the SPM result to reduce
sample imbalance. Extensive unsupervised domain adaption experiments on widely
used datasets illustrate our proposed approach's robust object detection in
domain bias settings.
- Abstract（参考訳）: 教師なしドメイン適応は、オブジェクト検出、インスタンスのセグメンテーションなど、様々なコンピュータビジョンタスクにおいて重要である。
ドメインバイアスによるパフォーマンス低下を低減しつつ、モデルの適用速度も向上させようとしている。
ドメイン適応オブジェクト検出は、画像レベルとインスタンスレベルのシフトを調整して、最終的にドメインの差を最小化しようとするが、オブジェクト検出タスクの各イメージが複数のクラスとオブジェクトである可能性があるため、画像レベルのドメイン適応において、単一クラスの特徴を混合クラスの特徴に合わせることができる。
単一クラスアライメントと混合クラスアライメントを併用した単一クラスを実現するため、特徴の混合クラスを新しいクラスとして扱い、オブジェクト検出のための混合クラス$H-divergence$を提案し、同種特徴アライメントを実現し、負の移動を低減する。
次に、混合クラス$H-divergence$に基づくセマンティック一貫性特徴アライメントモデル(SCFAM)も提示した。
単一クラスと混合クラスの意味情報を改善し、意味分離を達成するために、scfamモデルは意味予測モデル(spm)と意味ブリッジコンポーネント(sbc)を提案する。
そして、SPM結果に基づいて画素ドメイン判別器損失の重みを変更し、サンプル不均衡を低減する。
広範な教師なしのドメイン適応実験 広く使用されるデータセットは、ドメインバイアス設定における提案手法のロバストなオブジェクト検出を示します。
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) - ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。
本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。
クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
論文 参考訳（メタデータ） (2024-06-27T14:50:50Z) - Attention-based Class-Conditioned Alignment for Multi-Source Domain Adaptation of Object Detectors [11.616494893839757]
オブジェクト検出(OD)のドメイン適応手法は、ソースドメインとターゲットドメイン間の特徴調整を促進することによって、分散シフトの影響を軽減する。
ODのための最先端MSDA手法の多くは、クラスに依存しない方法で特徴アライメントを実行する。
ドメイン間で各オブジェクトカテゴリのインスタンスをアライメントするMSDAのための注目型クラス条件アライメント手法を提案する。
論文 参考訳（メタデータ） (2024-03-14T23:31:41Z) - Prototypical Contrast Adaptation for Domain Adaptive Semantic
Segmentation [52.63046674453461]
プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。
ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
論文 参考訳（メタデータ） (2022-07-14T04:54:26Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Style Mixing and Patchwise Prototypical Matching for One-Shot
Unsupervised Domain Adaptive Semantic Segmentation [21.01132797297286]
ワンショットの教師なしドメイン適応では、セグメンタはトレーニング中にラベルなしのターゲットイメージを1つしか見ることができない。
このような計算負担を効果的に軽減できるOSUDA法を提案する。
提案手法は,ドメイン適応型セマンティックセグメンテーションのための2つの一般的なベンチマーク上で,最先端性能を実現する。
論文 参考訳（メタデータ） (2021-12-09T02:47:46Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - 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)
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。