論文の概要: AWADA: Attention-Weighted Adversarial Domain Adaptation for Object Detection

• arxiv url: http://arxiv.org/abs/2208.14662v1
• Date: Wed, 31 Aug 2022 07:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:27:57.879926
• Title: AWADA: Attention-Weighted Adversarial Domain Adaptation for Object Detection
• Title（参考訳）: AWADA:オブジェクト検出のための注意重み付き対向ドメイン適応
• Authors: Maximilian Menke, Thomas Wenzel, Andreas Schwung
• Abstract要約: AWADA(Atention-Weighted Adrialversa Domain Adaptation)は、スタイル変換と検出タスクの間のフィードバックループを作成するためのフレームワークである。 我々は,AWADAが,合成・現実・悪天候・クロスカメラ適応等のタスクによく使用されるベンチマークにおいて,最先端の教師なし領域適応オブジェクト検出性能に達することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection networks have reached an impressive performance level, yet a lack of suitable data in specific applications often limits it in practice. Typically, additional data sources are utilized to support the training task. In these, however, domain gaps between different data sources pose a challenge in deep learning. GAN-based image-to-image style-transfer is commonly applied to shrink the domain gap, but is unstable and decoupled from the object detection task. We propose AWADA, an Attention-Weighted Adversarial Domain Adaptation framework for creating a feedback loop between style-transformation and detection task. By constructing foreground object attention maps from object detector proposals, we focus the transformation on foreground object regions and stabilize style-transfer training. In extensive experiments and ablation studies, we show that AWADA reaches state-of-the-art unsupervised domain adaptation object detection performance in the commonly used benchmarks for tasks such as synthetic-to-real, adverse weather and cross-camera adaptation.
• Abstract（参考訳）: オブジェクト検出ネットワークは印象的なパフォーマンスレベルに達したが、特定のアプリケーションに適切なデータが欠如しているため、実際には制限されることが多い。 通常、トレーニングタスクをサポートするために追加のデータソースが使用される。 しかし、これらでは、異なるデータソース間のドメイン間ギャップがディープラーニングにおいて課題となる。 ganベースの画像から画像へのスタイル変換は、一般的にドメインギャップを縮小するために適用されるが、不安定であり、オブジェクト検出タスクから切り離される。 本稿では,スタイル変換と検出タスク間のフィードバックループを作成するための,注意重み付け型ドメイン適応フレームワーク awada を提案する。 物体検出器の提案から前景オブジェクト注意マップを構築することにより,前景オブジェクト領域への変換に着目し,スタイル移行トレーニングを安定化する。 広範囲な実験とアブレーション実験において, 合成から現実への適応, 悪天候, クロスカメラ適応などのタスクのベンチマークにおいて, 安和田は最先端の非教師なし領域適応オブジェクト検出性能に到達した。

関連論文リスト

• Domain Generalization of 3D Object Detection by Density-Resampling [14.510085711178217]
  ポイントクラウドベースの3Dオブジェクト検出は、新しいドメインギャップを持つデータに遭遇する際のパフォーマンス劣化に悩まされる。 対象領域に対する3次元物体検出の一般化性を向上させるためのSDG法を提案する。 本研究では,新しいデータ拡張手法を導入し,その方法論に新しいマルチタスク学習戦略を貢献する。
  論文  参考訳（メタデータ） (2023-11-17T20:01:29Z)
• Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery [0.0]
  最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。 本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。 未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:16:35Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
  クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-06T08:43:59Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection [1.773576418078547]
  トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。 マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。 本研究では,Cityscapesデータセットとその合成変種について実験を行った。 霧、雨、夜。
  論文  参考訳（メタデータ） (2021-03-25T16:59:35Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)

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。