論文の概要: Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via
Graph Matching
- arxiv url: http://arxiv.org/abs/2208.04510v1
- Date: Tue, 9 Aug 2022 02:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:38:16.112646
- Title: Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via
Graph Matching
- Title(参考訳): グラフマッチングによるポイントクラウド意味セグメンテーションのための教師なしドメイン適応
- Authors: Yikai Bian, Le Hui, Jianjun Qian and Jin Xie
- Abstract要約: 本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。
また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
- 参考スコア(独自算出の注目度): 14.876681993079062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation for point cloud semantic segmentation has
attracted great attention due to its effectiveness in learning with unlabeled
data. Most of existing methods use global-level feature alignment to transfer
the knowledge from the source domain to the target domain, which may cause the
semantic ambiguity of the feature space. In this paper, we propose a
graph-based framework to explore the local-level feature alignment between the
two domains, which can reserve semantic discrimination during adaptation.
Specifically, in order to extract local-level features, we first dynamically
construct local feature graphs on both domains and build a memory bank with the
graphs from the source domain. In particular, we use optimal transport to
generate the graph matching pairs. Then, based on the assignment matrix, we can
align the feature distributions between the two domains with the graph-based
local feature loss. Furthermore, we consider the correlation between the
features of different categories and formulate a category-guided contrastive
loss to guide the segmentation model to learn discriminative features on the
target domain. Extensive experiments on different synthetic-to-real and
real-to-real domain adaptation scenarios demonstrate that our method can
achieve state-of-the-art performance.
- Abstract(参考訳): ポイントクラウド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は、ラベルなしデータによる学習の有効性から注目されている。
既存の手法の多くは、ソースドメインからターゲットドメインへの知識伝達にグローバルレベルの特徴アライメントを使用しており、特徴空間のセマンティックな曖昧さを引き起こす可能性がある。
本稿では,この2つのドメイン間の局所的な機能アライメントを探索するためのグラフベースのフレームワークを提案する。
具体的には、まず、ローカルレベルの特徴を抽出するために、まず、両方のドメインに局所的な特徴グラフを動的に構築し、ソースドメインからグラフを持つメモリバンクを構築する。
特に、グラフマッチングペアを生成するのに最適なトランスポートを使用する。
次に、代入行列に基づいて、2つのドメイン間の特徴分布をグラフベースの局所的特徴損失と整合させることができる。
さらに,異なるカテゴリの特徴間の相関を考慮し,カテゴリー誘導型コントラスト損失を定式化し,セグメンテーションモデルを誘導し,対象領域における識別的特徴を学習する。
合成・実・実・実領域適応シナリオの多種多様な実験により,本手法が最先端の性能を達成できることが実証された。
関連論文リスト
- Compositional Semantic Mix for Domain Adaptation in Point Cloud
Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。
本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-08-28T14:43:36Z) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳(メタデータ) (2022-07-20T15:47:34Z) - 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) - Adapting Segmentation Networks to New Domains by Disentangling Latent
Representations [14.050836886292869]
ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。
本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
論文 参考訳(メタデータ) (2021-08-06T09:43:07Z) - Give Me Your Trained Model: Domain Adaptive Semantic Segmentation
without Source Data [63.60200857555127]
対象ドメインにトレーニングされたソースモデルのみを提供するクロスドメインセマンティックセマンティックセマンティクスタスクを提案する。
具体的には、DAS$3$は3つのスキーム、すなわち特徴アライメント、自己学習、情報伝達から構成される。
ドメイン間および都市間駆動データセットの大規模な結果により、ソースデータへのアクセスを必要とするメソッドと同等のDAS$3$が検証される。
論文 参考訳(メタデータ) (2021-06-22T10:21:39Z) - 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 Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2020-08-03T13:27:24Z) - Contextual-Relation Consistent Domain Adaptation for Semantic
Segmentation [44.19436340246248]
本稿では,革新的局所文脈相関整合ドメイン適応手法を提案する。
グローバルレベルのアライメントにおいて、地域レベルのコンピテンシーを達成することを目的としている。
実験では, 最先端手法と比較して, セグメンテーション性能が優れていることを示した。
論文 参考訳(メタデータ) (2020-07-05T19:00:46Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-06-23T14:47:41Z)
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。