論文の概要: CLUDA : Contrastive Learning in Unsupervised Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2208.14227v1
• Date: Sat, 27 Aug 2022 05:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:07:24.507494
• Title: CLUDA : Contrastive Learning in Unsupervised Domain Adaptation for Semantic Segmentation
• Title（参考訳）: CLUDA : 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におけるコントラスト学習
• Authors: Midhun Vayyat, Jaswin Kasi, Anuraag Bhattacharya, Shuaib Ahmed, Rahul Tallamraju
• Abstract要約: CLUDAは、意味的セグメンテーションのための教師なしドメイン適応(UDA)を実行するための単純だが斬新な方法である。 エンコーダから多レベル融合特徴写像を抽出し,異なるクラスと異なるドメインに対してコントラストロスを適用した。 GTA $rightarrow$ Cityscapes (74.4 mIOU, +0.6) と Synthia $rightarrow$ Cityscapes (67.2 mIOU, +1.4) のデータセットで最先端の結果を生成する。
• 参考スコア（独自算出の注目度）: 3.4123736336071864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose CLUDA, a simple, yet novel method for performing unsupervised domain adaptation (UDA) for semantic segmentation by incorporating contrastive losses into a student-teacher learning paradigm, that makes use of pseudo-labels generated from the target domain by the teacher network. More specifically, we extract a multi-level fused-feature map from the encoder, and apply contrastive loss across different classes and different domains, via source-target mixing of images. We consistently improve performance on various feature encoder architectures and for different domain adaptation datasets in semantic segmentation. Furthermore, we introduce a learned-weighted contrastive loss to improve upon on a state-of-the-art multi-resolution training approach in UDA. We produce state-of-the-art results on GTA $\rightarrow$ Cityscapes (74.4 mIOU, +0.6) and Synthia $\rightarrow$ Cityscapes (67.2 mIOU, +1.4) datasets. CLUDA effectively demonstrates contrastive learning in UDA as a generic method, which can be easily integrated into any existing UDA for semantic segmentation tasks. Please refer to the supplementary material for the details on implementation.
• Abstract（参考訳）: 本研究では,教師ネットワークがターゲットドメインから生成した擬似ラベルを利用して,教師と教師の学習パラダイムにコントラスト的損失を組み込むことにより,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(UDA)を実現する,シンプルで斬新な手法であるCLUDAを提案する。 より具体的には、エンコーダからマルチレベルフューズド・フィーチャーマップを抽出し、画像のソース・ターゲット混合により、異なるクラスと異なるドメイン間でコントラストロスを適用する。 セマンティックセグメンテーションにおける様々な機能エンコーダアーキテクチャと異なるドメイン適応データセットの性能を一貫して改善する。 さらに、UDAにおける最先端のマルチレゾリューショントレーニングアプローチを改善するために、学習重み付きコントラスト損失を導入する。 GTA $\rightarrow$ Cityscapes (74.4 mIOU, +0.6) と Synthia $\rightarrow$ Cityscapes (67.2 mIOU, +1.4) のデータセットで最先端の結果を生成する。 CLUDAは、UDAのコントラスト学習を汎用的な方法として効果的に示しており、セマンティックセグメンテーションタスクのために既存のUDAに容易に統合することができる。 実施の詳細については補足資料を参照してください。

関連論文リスト

• C^2DA: Contrastive and Context-aware Domain Adaptive Semantic Segmentation [11.721696305235767]
  教師なしドメイン適応セマンティックセマンティックセグメンテーション(UDA-SS)は、ソースドメインデータ上でモデルをトレーニングし、ターゲットドメインデータの予測にモデルを適応させることを目的としている。 既存のUDA-SSメソッドの多くは、データシフト問題を緩和するためにドメイン間知識のみに焦点を当てている。 ドメイン内知識とコンテキスト認識知識の両方を学習する UDA-SS フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-10T15:51:35Z)
• MICDrop: Masking Image and Depth Features via Complementary Dropout for Domain-Adaptive Semantic Segmentation [155.0797148367653]
  Unsupervised Domain Adaptation (UDA)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間のドメインギャップを埋めるタスクである。 深度不連続性はしばしばセグメンテーション境界と一致するため、幾何学的情報、すなわち深度予測を活用することを提案する。 提案手法は, 様々な UDA 手法にプラグインし, 標準 UDA ベンチマークで連続的に結果を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-08-29T12:15:10Z)
• Semi-supervised Domain Adaptive Medical Image Segmentation through Consistency Regularized Disentangled Contrastive Learning [11.049672162852733]
  本研究では,医用画像分割のための半教師付き領域適応法(SSDA)について検討した。 本稿では,2段階の学習プロセスを提案する。まず,新しいドメイン・コンテント・ディコンタングル・コントラスト学習(CL)と画素レベルの特徴整合性制約を用いて,自己学習パラダイムでエンコーダを事前学習する。 提案手法がUDA設定で容易に拡張可能であることを実験的に検証し、提案手法の優位性を高める。
  論文  参考訳（メタデータ） (2023-07-06T06:13:22Z)
• MIC: Masked Image Consistency for Context-Enhanced Domain Adaptation [104.40114562948428]
  教師なしドメイン適応(UDA)では、ソースデータ(例えば、合成)に基づいて訓練されたモデルは、ターゲットアノテーションにアクセスすることなく、ターゲットデータ(例えば、現実世界)に適応する。 本研究では,対象領域の空間的コンテキスト関係を学習し,UDAを向上するMasked Image Consistency (MIC)モジュールを提案する。 MICは、合成からリアルタイム、日夜、クリア・ツー・リバース・ウェザーUDAの様々な認識タスクにおいて、最先端の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-02T17:29:32Z)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:31:24Z)
• Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
  クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。 提案手法は、ドメイン適応のための最先端手法を一貫して上回る。 Cityscapesデータセットで60.2% mIoUを達成した。
  論文  参考訳（メタデータ） (2022-04-18T16:50:46Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Exploiting Image Translations via Ensemble Self-Supervised Learning for Unsupervised Domain Adaptation [0.0]
  本稿では,複数の画像翻訳,アンサンブル学習,自己教師型学習を組み合わせた非教師なしドメイン適応(UDA)戦略を,一貫したアプローチで導入する。 我々は、ラベル付き合成データとラベル付き実世界のデータに基づいてセマンティックセグメンテーションモデルを訓練するUDAの標準的なタスクの1つに焦点を当てる。
  論文  参考訳（メタデータ） (2021-07-13T16:43:02Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)

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。