論文の概要: Rethinking Unsupervised Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2207.00067v1
• Date: Thu, 30 Jun 2022 19:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 05:04:59.352976
• Title: Rethinking Unsupervised Domain Adaptation for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための教師なしドメイン適応の再考
• Authors: Zhijie Wang, Masanori Suganuma, Takayuki Okatani
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしデータのみを使用して、あるドメインでトレーニングされたモデルを新しいドメインに適応させる。 GTA5やSynTHIA$rightarrow$Cityscapesといった一般的なシナリオで,これらの疑問に答えるための実験を実施しています。
• 参考スコア（独自算出の注目度）: 26.622497703222898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) adapts a model trained on one domain to a novel domain using only unlabeled data. So many studies have been conducted, especially for semantic segmentation due to its high annotation cost. The existing studies stick to the basic assumption that no labeled sample is available for the new domain. However, this assumption has several issues. First, it is pretty unrealistic, considering the standard practice of ML to confirm the model's performance before its deployment; the confirmation needs labeled data. Second, any UDA method will have a few hyper-parameters, needing a certain amount of labeled data. To rectify this misalignment with reality, we rethink UDA from a data-centric point of view. Specifically, we start with the assumption that we do have access to a minimum level of labeled data. Then, we ask how many labeled samples are necessary for finding satisfactory hyper-parameters of existing UDA methods. How well does it work if we use the same data to train the model, e.g., finetuning? We conduct experiments to answer these questions with popular scenarios, {GTA5, SYNTHIA}$\rightarrow$Cityscapes. Our findings are as follows: i) for some UDA methods, good hyper-parameters can be found with only a few labeled samples (i.e., images), e.g., five, but this does not apply to others, and ii) finetuning outperforms most existing UDA methods with only ten labeled images.
• Abstract（参考訳）: unsupervised domain adaptation(uda)は、ラベルなしのデータのみを使用して、あるドメインでトレーニングされたモデルを新しいドメインに適応させる。 特にアノテーションコストが高いため、セマンティクスセグメンテーションについて多くの研究がなされている。 既存の研究は、新しいドメインでラベル付きサンプルが利用できないという基本的な前提に固執している。 しかし、この仮定にはいくつかの問題がある。 まず、MLがモデルのパフォーマンスをデプロイ前に確認する標準的なプラクティスを考えると、かなり非現実的です。 第二に、任意のUDAメソッドはいくつかのハイパーパラメータを持ち、一定の量のラベル付きデータを必要とする。 現実とのミスアライメントを是正するために、データ中心の観点からUDAを再考する。 具体的には、ラベル付きデータの最小レベルにアクセス可能であるという仮定から始めます。 次に,既存のUDA法で満足なハイパーパラメータを見つけるために,ラベル付きサンプルがいくつ必要か尋ねる。 同じデータを使ってモデルをトレーニングした場合、例えば微調整など、どの程度うまく機能するか? これらの質問に答える実験を一般的なシナリオ、{gta5, synthia}$\rightarrow$cityscapesで行います。 私たちの発見は以下の通りである。 i) いくつかのUDA法では、いくつかのラベル付きサンプル(例:画像)で良いハイパーパラメータを見つけることができ(例:5)、これは他の人には当てはまらない。 ii) ラベル付き画像が10枚しかない既存のudaメソッドよりも微調整が優れていること。

関連論文リスト

• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• Source-Free Unsupervised Domain Adaptation with Norm and Shape Constraints for Medical Image Segmentation [0.12183405753834559]
  医用画像セグメンテーションのための非教師なし領域適応法(SFUDA)を提案する。 エントロピー最小化法に加えて、ターゲット領域における特徴ノルムを回避する損失関数を導入する。 提案手法は,すべてのデータセットにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-09-03T00:16:39Z)
• Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
  デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。 本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。 ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
  論文  参考訳（メタデータ） (2022-07-09T03:17:19Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• A Survey of Unsupervised Domain Adaptation for Visual Recognition [2.8935588665357077]
  ドメイン適応(DA)は、あるドメインから別のドメインに知識を移す際のドメインシフト問題を緩和することを目的としています。 Unsupervised DA (UDA) はラベル付きソースドメインとラベルなしターゲットドメインを扱う。
  論文  参考訳（メタデータ） (2021-12-13T15:55:23Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
  ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。 最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。 そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。 近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-05-26T07:32:09Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。