論文の概要: Exploring High-quality Target Domain Information for Unsupervised Domain Adaptive Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2208.06100v1
• Date: Fri, 12 Aug 2022 03:41:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-15 13:23:47.755595
• Title: Exploring High-quality Target Domain Information for Unsupervised Domain Adaptive Semantic Segmentation
• Title（参考訳）: 教師なしドメイン適応意味セグメンテーションのための高品質ターゲットドメイン情報の検討
• Authors: Junjie Li, Zilei Wang, Yuan Gao, Xiaoming Hu
• Abstract要約: 非教師なしドメイン適応(UDA)セマンティックセグメンテーションでは、蒸留法が現在、性能において支配的である。 本稿では, 従来の蒸留法と競合する性能を実現するための, 単純かつ効果的な方法を提案する。
• 参考スコア（独自算出の注目度）: 38.0613236254728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In unsupervised domain adaptive (UDA) semantic segmentation, the distillation based methods are currently dominant in performance. However, the distillation technique requires complicate multi-stage process and many training tricks. In this paper, we propose a simple yet effective method that can achieve competitive performance to the advanced distillation methods. Our core idea is to fully explore the target-domain information from the views of boundaries and features. First, we propose a novel mix-up strategy to generate high-quality target-domain boundaries with ground-truth labels. Different from the source-domain boundaries in previous works, we select the high-confidence target-domain areas and then paste them to the source-domain images. Such a strategy can generate the object boundaries in target domain (edge of target-domain object areas) with the correct labels. Consequently, the boundary information of target domain can be effectively captured by learning on the mixed-up samples. Second, we design a multi-level contrastive loss to improve the representation of target-domain data, including pixel-level and prototype-level contrastive learning. By combining two proposed methods, more discriminative features can be extracted and hard object boundaries can be better addressed for the target domain. The experimental results on two commonly adopted benchmarks (\textit{i.e.}, GTA5 $\rightarrow$ Cityscapes and SYNTHIA $\rightarrow$ Cityscapes) show that our method achieves competitive performance to complicated distillation methods. Notably, for the SYNTHIA$\rightarrow$ Cityscapes scenario, our method achieves the state-of-the-art performance with $57.8\%$ mIoU and $64.6\%$ mIoU on 16 classes and 13 classes. Code is available at https://github.com/ljjcoder/EHTDI.
• Abstract（参考訳）: 非教師なしドメイン適応(uda)セマンティクスセグメンテーションでは、蒸留ベースの方法が現在パフォーマンスにおいて支配的である。 しかし、蒸留技術は複雑な多段階プロセスと多くの訓練トリックを必要とする。 本稿では, 従来の蒸留法と競合する性能を実現するための, 単純かつ効果的な方法を提案する。 私たちの核となるアイデアは、境界と機能の観点からターゲットドメイン情報を完全に探究することです。 まず,高品質な目標領域境界を生成するための新しい混合戦略を提案する。 従来の作業のソースドメイン境界とは違って,高信頼のターゲットドメイン領域を選択し,ソースドメインイメージにペーストする。 このような戦略は、ターゲットドメイン(ターゲットドメインオブジェクト領域のエッジ)のオブジェクト境界を正しいラベルで生成することができる。 これにより、混合サンプルの学習により、対象領域の境界情報を効果的に取得することができる。 第2に,ピクセルレベルおよびプロトタイプレベルのコントラスト学習を含む対象領域データの表現を改善するために,マルチレベルコントラストロスを設計する。 2つの提案手法を組み合わせることで、より識別的な特徴を抽出でき、対象領域に対してハードオブジェクト境界をよりよく対処できる。 2つの一般的なベンチマーク(gta5 $\rightarrow$ cityscapes と synthia $\rightarrow$ cityscapes)における実験結果から, 複雑な蒸留法に対する競合性能が得られた。 特に、SynTHIA$\rightarrow$ Cityscapesのシナリオでは、16のクラスと13のクラスで57.8\%$ mIoUと6.6\%$ mIoUで最先端のパフォーマンスを達成する。 コードはhttps://github.com/ljjcoder/EHTDIで入手できる。

関連論文リスト

• Cross Domain Object Detection by Target-Perceived Dual Branch Distillation [49.68119030818388]
  クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。 本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。 私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-05-03T03:51:32Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• 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)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAは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効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
  ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。 いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。 我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
  論文  参考訳（メタデータ） (2021-01-29T18:40:17Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation [95.10255219396109]
  クラスレベルの特徴アライメントのための微粒な逆学習戦略を提案する。 ドメイン区別器として機能するだけでなく、クラスレベルでドメインを区別する、きめ細かいドメイン識別器を採用しています。 CCD (Class Center Distance) を用いた解析により, 粒度の細かい対角戦略により, クラスレベルのアライメントが向上することが確認された。
  論文  参考訳（メタデータ） (2020-07-17T20:50:59Z)

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。