論文の概要: Unsupervised Domain Adaptation for One-stage Object Detector using
Offsets to Bounding Box
- arxiv url: http://arxiv.org/abs/2207.09656v1
- Date: Wed, 20 Jul 2022 05:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 13:31:22.650805
- Title: Unsupervised Domain Adaptation for One-stage Object Detector using
Offsets to Bounding Box
- Title(参考訳): オフセットとバウンディングボックスを用いた1段物体検出器の教師なし領域適応
- Authors: Jayeon Yoo, Inseop Chung, Nojun Kwak
- Abstract要約: 既存のドメインオブジェクト検出メソッドの多くは、モデルを新しいドメインに適応させるために、敵対的な特徴アライメントを利用する。
対角的特徴アライメントの最近の進歩は、対象のカテゴリーによって特徴の分布が変化するため、アライメントの負の効果(負の移動)を減少させようとしている。
- 参考スコア(独自算出の注目度): 31.594207790000226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing domain adaptive object detection methods exploit adversarial
feature alignment to adapt the model to a new domain. Recent advances in
adversarial feature alignment strives to reduce the negative effect of
alignment, or negative transfer, that occurs because the distribution of
features varies depending on the category of objects. However, by analyzing the
features of the anchor-free one-stage detector, in this paper, we find that
negative transfer may occur because the feature distribution varies depending
on the regression value for the offset to the bounding box as well as the
category. To obtain domain invariance by addressing this issue, we align the
feature conditioned on the offset value, considering the modality of the
feature distribution. With a very simple and effective conditioning method, we
propose OADA (Offset-Aware Domain Adaptive object detector) that achieves
state-of-the-art performances in various experimental settings. In addition, by
analyzing through singular value decomposition, we find that our model enhances
both discriminability and transferability.
- Abstract(参考訳): 既存のドメイン適応オブジェクト検出手法のほとんどは、新しいドメインにモデルを適用するために逆特徴アライメントを利用する。
敵対的特徴のアライメントの最近の進歩は、特徴の分布が対象のカテゴリによって異なるために生じる、アライメントや負の伝達の負の効果を減らすことに努めている。
しかし,アンカーフリーの一段階検出器の特徴を解析した結果,境界ボックスへのオフセットの回帰値やカテゴリによって特徴分布が変化するため,負の移動が生じる可能性があることがわかった。
この問題に対処して領域不変性を得るため,特徴分布のモジュラリティを考慮してオフセット値に条件付き特徴を整列する。
非常に単純で効果的な条件付け手法を用いて,様々な実験環境での最先端性能を実現するoada(offset-aware domain adaptive object detector)を提案する。
さらに, 特異値分解による解析により, 判別可能性と伝達性の両方が向上することがわかった。
関連論文リスト
- PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection [34.988894739426954]
クラス内特徴の分布を正規化するためのプロトタイプ拡張コンパクト特徴量フレームワークを提案する。
相互正則化戦略は、線形およびプロトタイプベースの分類器が互いに学習できるように設計されている。
各種適応設定の結果は最先端であり,提案手法のボード適用性と有効性を示す。
論文 参考訳(メタデータ) (2025-01-15T06:05:57Z) - AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain
Adaptive Object Detection [28.22783703278792]
特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR)
ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
論文 参考訳(メタデータ) (2023-03-27T16:51:51Z) - Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。
D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2021-10-06T08:43:59Z) - Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
ドメイン固有の表現からドメイン不変表現を取り除こうとする。
実験では,本手法を単目的,複目的のケースで評価した。
論文 参考訳(メタデータ) (2021-08-15T07:58:59Z) - 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-Specific Suppression for Adaptive Object Detection [20.887838391558624]
本研究では,cnnモデルが伝達性を得るための新しい視点を提案し,モデルの重みを一連の運動パターンとして捉えた。
ドメイン適応の目標は、ドメイン固有のものから乱れを排除しながら、ドメイン不変方向に集中することである。
本論文では、バックプロパゲーションにおける元の畳み込み勾配に対する例示的および一般化可能な制約であるドメイン特異的抑制を提案する。
論文 参考訳(メタデータ) (2021-05-08T03:11:36Z) - Re-energizing Domain Discriminator with Sample Relabeling for
Adversarial Domain Adaptation [88.86865069583149]
Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。
本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。
RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
論文 参考訳(メタデータ) (2021-03-22T08:32:55Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳(メタデータ) (2020-03-23T13:40:06Z) - Harmonizing Transferability and Discriminability for Adapting Object
Detectors [48.78231850215302]
本稿では,特徴表現の伝達可能性を校正し,識別性を調和させる階層的伝達可能性ネットワーク(HTCN)を提案する。
実験の結果、HTCNはベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2020-03-13T13:47:48Z)
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。