論文の概要: Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels

• arxiv url: http://arxiv.org/abs/2208.02804v1
• Date: Thu, 4 Aug 2022 17:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 12:22:17.793671
• Title: Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels
• Title（参考訳）: cluster-to-adapt:disjointラベル間の意味セグメンテーションのためのショットドメイン適応
• Authors: Tarun Kalluri, Manmohan Chandraker
• Abstract要約: クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。 変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
• 参考スコア（独自算出の注目度）: 80.05697343811893
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain adaptation for semantic segmentation across datasets consisting of the same categories has seen several recent successes. However, a more general scenario is when the source and target datasets correspond to non-overlapping label spaces. For example, categories in segmentation datasets change vastly depending on the type of environment or application, yet share many valuable semantic relations. Existing approaches based on feature alignment or discrepancy minimization do not take such category shift into account. In this work, we present Cluster-to-Adapt (C2A), a computationally efficient clustering-based approach for domain adaptation across segmentation datasets with completely different, but possibly related categories. We show that such a clustering objective enforced in a transformed feature space serves to automatically select categories across source and target domains that can be aligned for improving the target performance, while preventing negative transfer for unrelated categories. We demonstrate the effectiveness of our approach through experiments on the challenging problem of outdoor to indoor adaptation for semantic segmentation in few-shot as well as zero-shot settings, with consistent improvements in performance over existing approaches and baselines in all cases.
• Abstract（参考訳）: 同じカテゴリからなるデータセット間のセマンティックセグメンテーションのためのドメイン適応は、最近いくつかの成功を収めている。 しかし、より一般的なシナリオは、ソースとターゲットデータセットが重複しないラベル空間に対応する場合である。 例えば、セグメンテーションデータセットのカテゴリは環境やアプリケーションの種類によって大きく変化しますが、多くの意味的な関係を共有します。 機能アライメントや不一致最小化に基づく既存のアプローチは、そのようなカテゴリシフトを考慮していない。 本稿では,クラスタ・トゥ・アダプティブ (c2a) について述べる。クラスタ・トゥ・アダプティブとは,全く異なるが関連するカテゴリのセグメンテーションデータセットにまたがるドメイン適応のための,計算効率の高いクラスタリングに基づくアプローチである。 変換された機能空間で強制されるこのようなクラスタリングの目標は、対象の性能を改善するためにアライメント可能なソースドメインとターゲットドメインをまたいだカテゴリを自動的に選択すると同時に、関連しないカテゴリの負の転送を防止できることを示す。 提案手法の有効性を実験により検証し, 既存手法よりも一貫した性能向上, ベースラインの整合性向上を図りながら, セマンティックセマンティックセグメンテーションにおける屋外・屋内適応の難易度問題とゼロショット設定を検証した。

関連論文リスト

• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
  教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
  論文  参考訳（メタデータ） (2022-04-05T11:17:19Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection [80.24165350584502]
  カテゴリ対応ドメイン適応のためのメモリガイドアテンションを提案する。 提案手法は,カテゴリー分類器を用いてカテゴリ認識特徴のアライメントを保証する。 この方法はいくつかのベンチマークデータセットで評価され、既存のアプローチを上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-07T01:08:21Z)
• Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal and Clustered Embeddings [25.137859989323537]
  本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。 識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
  論文  参考訳（メタデータ） (2020-11-25T10:06:22Z)
• Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering [16.39667909141402]
  ショットの分類は、多様なドメインに適応する必要がある場合、苦労する傾向があります。 本稿では、ClusteringによるFew-shot分類のためのドメイン適応性能を改善するためのフレームワークDaFeCを紹介する。 提案手法は, 絶対利得(分類精度)が4.95%, 9.55%, 3.99%, 11.62%であった。
  論文  参考訳（メタデータ） (2020-06-23T08:17:48Z)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

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。