論文の概要: UniDAformer: Unified Domain Adaptive Panoptic Segmentation Transformer via Hierarchical Mask Calibration

• arxiv url: http://arxiv.org/abs/2206.15083v2
• Date: Wed, 22 Mar 2023 05:52:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 03:58:30.862327
• Title: UniDAformer: Unified Domain Adaptive Panoptic Segmentation Transformer via Hierarchical Mask Calibration
• Title（参考訳）: UniDAformer:階層型マスク校正による統一ドメイン適応型パノプティックセグメンテーショントランス
• Authors: Jingyi Zhang, Jiaxing Huang, Xiaoqin Zhang, Shijian Lu
• Abstract要約: 単一ネットワーク内でのドメイン適応型インスタンス分割と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を同時に実現可能な,シンプルで統一されたドメイン適応型パン光学セマンティクスセマンティクス変換器UniDAformerを設計する。 UniDAformerは階層型マスク(Hierarchical Mask, HMC)を導入し、オンザフライでのオンラインセルフトレーニングを通じて、領域、スーパーピクセル、注釈付きピクセルのレベルで不正確な予測を修正した。 1) 統合されたドメイン適応型パン光学適応を可能にする; 2) 誤った予測を緩和し、ドメイン適応型パン光学セグメンテーションを効果的に改善する; 3) より単純なトレーニングと推論パイプラインでエンドツーエンドのトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 49.16591283724376
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Domain adaptive panoptic segmentation aims to mitigate data annotation challenge by leveraging off-the-shelf annotated data in one or multiple related source domains. However, existing studies employ two separate networks for instance segmentation and semantic segmentation which lead to excessive network parameters as well as complicated and computationally intensive training and inference processes. We design UniDAformer, a unified domain adaptive panoptic segmentation transformer that is simple but can achieve domain adaptive instance segmentation and semantic segmentation simultaneously within a single network. UniDAformer introduces Hierarchical Mask Calibration (HMC) that rectifies inaccurate predictions at the level of regions, superpixels and pixels via online self-training on the fly. It has three unique features: 1) it enables unified domain adaptive panoptic adaptation; 2) it mitigates false predictions and improves domain adaptive panoptic segmentation effectively; 3) it is end-to-end trainable with a much simpler training and inference pipeline. Extensive experiments over multiple public benchmarks show that UniDAformer achieves superior domain adaptive panoptic segmentation as compared with the state-of-the-art.
• Abstract（参考訳）: ドメイン適応型panopticセグメンテーションは、1つまたは複数の関連するソースドメインで既定の注釈付きデータを活用することで、データアノテーションの課題を軽減することを目的としている。 しかし、既存の研究では、セグメンテーションとセマンティクスセグメンテーションの2つの別々のネットワークを使用しており、複雑な計算集約的なトレーニングと推論プロセスと同様に、過剰なネットワークパラメータにつながる。 単一ネットワーク内でのドメイン適応型インスタンス分割と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を同時に実現可能な,シンプルで統一されたドメイン適応型パン光学セマンティクスセマンティクス変換器UniDAformerを設計する。 UniDAformerは階層マスク校正(Hierarchical Mask Calibration, HMC)を導入し、オンラインのセルフトレーニングを通じて、領域、スーパーピクセル、ピクセルのレベルで不正確な予測を修正した。 3つの特徴があります 1) 統一ドメイン適応パンオプティカル適応を可能にする。 2)誤った予測を緩和し,ドメイン適応パンオプティカルセグメンテーションを効果的に改善する。 3) よりシンプルなトレーニングと推論パイプラインでエンドツーエンドのトレーニングが可能になる。 複数の公開ベンチマークに対する大規模な実験により、UniDAformerは最先端技術と比較して優れたドメイン適応型パノプティクスのセグメンテーションを実現することが示された。

関連論文リスト

• Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation [40.667166043101076]
  多様なターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを提案する。 アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。 提案手法は,ドメイン間複数ショットセマンティックセマンティックセグメンテーションタスクにおいて有望な結果を得る。
  論文  参考訳（メタデータ） (2024-04-16T07:07:40Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• EDAPS: Enhanced Domain-Adaptive Panoptic Segmentation [93.25977558780896]
  本研究では,パノプティカルネットワークの設計について検討し,ドメイン適応型パノプティカルセグメンテーションのための新しいアーキテクチャ(EDAPS)を提案する。 EDAPSは、SynTHIA-to-Cityscapesでは20%、より困難なSynTHIA-to-Mapillary Vistasでは72%という大きなマージンで、パンプトセグメンテーションUDAの最先端性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-04-27T15:51:19Z)
• ADAS: A Direct Adaptation Strategy for Multi-Target Domain Adaptive Semantic Segmentation [12.148050135641583]
  ドメイン間の視覚的属性を整列するマルチターゲットドメイン転送ネットワーク(MTDT-Net)を設計する。 また、クラスラベル間の属性のあいまいさを低減する双方向適応型領域選択(BARS)を提案する。 本手法は,セマンティックセグメンテーションにおいて複数のドメインに直接適応する最初のMTDA法である。
  論文  参考訳（メタデータ） (2022-03-14T01:55:42Z)
• 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)
• 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-View Regularization for Domain Adaptive Panoptic Segmentation [32.77436219094282]
  我々は、相互整合性とタスク間正規化を利用するドメイン適応型パンオプティクスネットワークを設計する。 提案するネットワークは,最先端技術と比較して,優れたセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2021-03-03T18:29:23Z)
• 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。