論文の概要: Online Domain Adaptation for Semantic Segmentation in Ever-Changing Conditions

• arxiv url: http://arxiv.org/abs/2207.10667v1
• Date: Thu, 21 Jul 2022 17:59:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:25:57.601142
• Title: Online Domain Adaptation for Semantic Segmentation in Ever-Changing Conditions
• Title（参考訳）: エバーハング条件におけるセマンティックセグメンテーションのためのオンラインドメイン適応
• Authors: Theodoros Panagiotakopoulos, Pier Luigi Dovesi, Linus H\"arenstam-Nielsen, Matteo Poggi
• Abstract要約: セマンティックセグメンテーションのためのオンラインドメイン適応(OnDA)に取り組む。 徐々に、あるいは突然に、継続的なドメインシフトに対して堅牢なパイプラインを設計します。 我々の実験は、フレームワークがデプロイメント中に新しいドメインに効果的に適応できることを示しています。
• 参考スコア（独自算出の注目度）: 15.812858258311557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) aims at reducing the domain gap between training and testing data and is, in most cases, carried out in offline manner. However, domain changes may occur continuously and unpredictably during deployment (e.g. sudden weather changes). In such conditions, deep neural networks witness dramatic drops in accuracy and offline adaptation may not be enough to contrast it. In this paper, we tackle Online Domain Adaptation (OnDA) for semantic segmentation. We design a pipeline that is robust to continuous domain shifts, either gradual or sudden, and we evaluate it in the case of rainy and foggy scenarios. Our experiments show that our framework can effectively adapt to new domains during deployment, while not being affected by catastrophic forgetting of the previous domains.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、トレーニングとテストデータのドメインギャップを減らすことを目的としており、多くの場合、オフラインで実行される。 しかし、ドメインの変更は、デプロイ中に継続的に予測不能に起こる(例えば、突然の天候変化)。 このような状況下では、ディープニューラルネットワークは精度が劇的に低下し、オフライン適応ではそれと対比するには不十分である。 本稿では,セマンティックセグメンテーションのためのオンラインドメイン適応(OnDA)に取り組む。 私たちは、徐々に、あるいは突然に、継続的なドメインシフトに対して堅牢なパイプラインを設計し、雨と霧のシナリオでそれを評価します。 実験では,前回のドメインの壊滅的な忘れることなく,デプロイ時に新たなドメインに効果的に対応できることを示す。

関連論文リスト

• SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation [4.72359224946965]
  ドメインシフトは、機械学習のパフォーマンスを損なう重要な問題である。 教師なしのドメイン適応(UDA)は、ドメインシフトが急激で急激なときに悩む。 そこで我々は,Sliding Window Adversarial Training (SWAT) を提案する。
  論文  参考訳（メタデータ） (2025-01-31T14:16:22Z)
• BECoTTA: Input-dependent Online Blending of Experts for Continual Test-time Adaptation [59.1863462632777]
  連続テスト時間適応(CTTA)は、学習済みの知識を維持しながら、継続的に見えない領域に効率的に適応するために必要である。 本稿では,CTTAの入力依存かつ効率的なモジュール化フレームワークであるBECoTTAを提案する。 提案手法は, トレーニング可能なパラメータを98%少なく抑えながら, 整合性や漸進性などの複数のCTTAシナリオに優れることを確認した。
  論文  参考訳（メタデータ） (2024-02-13T18:37:53Z)
• Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
  非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。 このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。 脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-08-25T10:22:13Z)
• Complementary Domain Adaptation and Generalization for Unsupervised Continual Domain Shift Learning [4.921899151930171]
  教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。 本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。 我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2023-03-28T09:05:15Z)
• Gradual Domain Adaptation without Indexed Intermediate Domains [23.726336635748783]
  中間領域の配列を発見するための粗大なフレームワークを提案する。 提案手法は, 事前定義されたドメインシーケンスと比較して, 適応性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-07-11T02:25:39Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• 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)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [26.21464286134764]
  本研究では、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のシーケンスをモデルに提示する連続的なドメイン適応の問題について検討する。 本研究では,これらの障害を解決するために,グラディエント正規化コントラスト学習を提案する。 本手法は,ラベル付きソースドメインとラベル付きターゲットドメインを併用することにより,意味的識別性とドメイン不変性の両方を共同で学習することができる。
  論文  参考訳（メタデータ） (2020-07-25T14:30:03Z)

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。