論文の概要: Universal Domain Adaptive Object Detector

• arxiv url: http://arxiv.org/abs/2207.01756v1
• Date: Tue, 5 Jul 2022 01:01:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 04:56:17.436806
• Title: Universal Domain Adaptive Object Detector
• Title（参考訳）: ユニバーサルドメイン適応物体検出器
• Authors: Wenxu Shi, Lei Zhang, Weijie Chen, Shiliang Pu
• Abstract要約: 本稿では,多ラベル学習を用いたU.S.-DAF(Universal Scale-Aware Domain Adaptive Faster RCNN)を提案する。 具体的には,1)共通クラスの特徴的アライメントの促進と,カテゴリシフトによる負の移動を克服するためにフィルタモジュールを設計することで,プライベートクラスの干渉を抑制する。 2)新しいマルチラベル・スケール・アウェア・アダプタを導入し,オブジェクト検出におけるスケール・アウェア適応の空白を埋める。
• 参考スコア（独自算出の注目度）: 39.80183276209917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal domain adaptive object detection (UniDAOD)is more challenging than domain adaptive object detection (DAOD) since the label space of the source domain may not be the same as that of the target and the scale of objects in the universal scenarios can vary dramatically (i.e, category shift and scale shift). To this end, we propose US-DAF, namely Universal Scale-Aware Domain Adaptive Faster RCNN with Multi-Label Learning, to reduce the negative transfer effect during training while maximizing transferability as well as discriminability in both domains under a variety of scales. Specifically, our method is implemented by two modules: 1) We facilitate the feature alignment of common classes and suppress the interference of private classes by designing a Filter Mechanism module to overcome the negative transfer caused by category shift. 2) We fill the blank of scale-aware adaptation in object detection by introducing a new Multi-Label Scale-Aware Adapter to perform individual alignment between the corresponding scale for two domains. Experiments show that US-DAF achieves state-of-the-art results on three scenarios (i.e, Open-Set, Partial-Set, and Closed-Set) and yields 7.1% and 5.9% relative improvement on benchmark datasets Clipart1k and Watercolor in particular.
• Abstract（参考訳）: ユニバーサルドメイン適応オブジェクト検出(UniDAOD)は、ソースドメインのラベル空間がターゲットと同じではない可能性があり、普遍シナリオにおけるオブジェクトのスケールが劇的に変化するため、ドメイン適応オブジェクト検出(DAOD)よりも難しい。 この目的のために,マルチラベル学習を用いたユニバーサルスケール・アウェア・ドメイン適応型高速RCNN(US-DAF)を提案する。 具体的には,2つのモジュールで実装する。 1) カテゴリーシフトによる負の移動を克服するためにフィルタ機構モジュールを設計し, 共通クラスの特徴的アライメントを促進し, プライベートクラスの干渉を抑制する。 2) 2つの領域に対応するスケール間で個別にアライメントを行うための,新しいマルチラベルスケールアウェアアダプタを導入することで,オブジェクト検出におけるスケールアウェア適応の空白を埋める。 実験の結果、US-DAFは3つのシナリオ(Open-Set、Partial-Set、Closed-Set)で最先端の結果が得られ、特にベンチマークデータセットであるClipart1kとWatercolorに対して7.1%と5.9%の改善が得られた。

関連論文リスト

• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• Multi-Granularity Alignment Domain Adaptation for Object Detection [33.32519045960187]
  ドメイン適応型オブジェクト検出は、ソースドメインとターゲットドメインの間に特有のデータ分布があるため、難しい。 ドメイン不変な特徴学習に向けた多粒度アライメントに基づくオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-31T09:05:06Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Domain Adaptive YOLO for One-Stage Cross-Domain Detection [4.596221278839825]
  ドメイン適応型YOLO (DA-YOLO) は1段検出器のクロスドメイン性能を向上させるために提案される。 提案手法を,Cityscapes,KITTI,SIM10Kなどの一般的なデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-06-26T04:17:42Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• I^3Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors [64.93963042395976]
  暗黙のInstance-Invariant Network(I3Net)は、ワンステージ検出器の適応に適しています。 i3netは、異なる層における深い特徴の自然な特徴を利用してインスタンス不変な特徴を暗黙的に学習する。 実験によると、I3Netはベンチマークデータセットの最先端のパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2021-03-25T11:14:36Z)
• Domain Adaptive Object Detection via Feature Separation and Alignment [11.4768983507572]
  対向型ドメイン適応オブジェクト検出法(DAOD)が急速に開発されている。 本稿では,grey-scale feature separation (gsfs) モジュール,local-global feature alignment (lgfa) モジュール,および region-instance-level alignment (rila) モジュールからなる特徴分離アライメントネットワーク (fsanet) を確立する。 私達のFSANetはターゲット ドメインの検出でよりよい性能を達成し、最先端の方法を超過します。
  論文  参考訳（メタデータ） (2020-12-16T01:44:34Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• 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。