論文の概要: Unsupervised Domain Adaptation with Histogram-gated Image Translation for Delayered IC Image Analysis

• arxiv url: http://arxiv.org/abs/2209.13479v1
• Date: Tue, 27 Sep 2022 15:53:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:52:47.772809
• Title: Unsupervised Domain Adaptation with Histogram-gated Image Translation for Delayered IC Image Analysis
• Title（参考訳）: 階層化IC画像解析のためのヒストグラム付き画像変換による教師なし領域適応
• Authors: Yee-Yang Tee, Deruo Cheng, Chye-Soon Chee, Tong Lin, Yiqiong Shi, Bah-Hwee Gwee
• Abstract要約: Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。 提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
• 参考スコア（独自算出の注目度）: 2.720699926154399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has achieved great success in the challenging circuit annotation task by employing Convolutional Neural Networks (CNN) for the segmentation of circuit structures. The deep learning approaches require a large amount of manually annotated training data to achieve a good performance, which could cause a degradation in performance if a deep learning model trained on a given dataset is applied to a different dataset. This is commonly known as the domain shift problem for circuit annotation, which stems from the possibly large variations in distribution across different image datasets. The different image datasets could be obtained from different devices or different layers within a single device. To address the domain shift problem, we propose Histogram-gated Image Translation (HGIT), an unsupervised domain adaptation framework which transforms images from a given source dataset to the domain of a target dataset, and utilize the transformed images for training a segmentation network. Specifically, our HGIT performs generative adversarial network (GAN)-based image translation and utilizes histogram statistics for data curation. Experiments were conducted on a single labeled source dataset adapted to three different target datasets (without labels for training) and the segmentation performance was evaluated for each target dataset. We have demonstrated that our method achieves the best performance compared to the reported domain adaptation techniques, and is also reasonably close to the fully supervised benchmark.
• Abstract（参考訳）: 深層学習は、回路構造のセグメンテーションに畳み込みニューラルネットワーク(CNN)を用いることで、困難な回路アノテーションタスクにおいて大きな成功を収めた。 ディープラーニングのアプローチは、優れたパフォーマンスを達成するために大量の手作業によるトレーニングデータを必要とするため、与えられたデータセットでトレーニングされたディープラーニングモデルが別のデータセットに適用されると、パフォーマンスが低下する可能性がある。 これは一般に、回路アノテーションの領域シフト問題として知られており、様々な画像データセットにまたがる分布の大きな変化に起因する。 異なる画像データセットは、単一のデバイス内の異なるデバイスまたは異なるレイヤから得ることができる。 ドメインシフト問題に対処するために、与えられたソースデータセットからターゲットデータセットのドメインに画像変換を行う教師なしドメイン適応フレームワークであるヒストグラムゲーテッド画像変換(hgit)を提案し、この変換画像をセグメンテーションネットワークのトレーニングに利用する。 具体的には,HGITはGANに基づく画像翻訳を行い,ヒストグラム統計を用いてデータキュレーションを行う。 3つの異なるターゲットデータセット(トレーニング用のラベルなし)に適応した単一のラベル付きソースデータセットで実験を行い、各ターゲットデータセットに対するセグメンテーション性能を評価した。 我々は,本手法が報告されたドメイン適応手法と比較して最高の性能を達成できることを実証した。

関連論文リスト

• SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [13.549403813487022]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付けされたソースドメインデータを活用しながら、ラベル付けされていないターゲットドメインデータからモデルを学習することを可能にする。 対照的な学習を UDA に統合し,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。 我々の手法であるSimSegは既存の手法より優れ、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2024-10-17T11:59:39Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [48.74331852418905]
  直接画像からグラフへの変換は、1つのモデルで物体の検出と関係予測を解くことを伴う課題である。 このタスクの複雑さのため、多くのドメインで大規模なトレーニングデータセットはまれであり、ディープラーニングメソッドのトレーニングを困難にしている。 画像-グラフ変換器のクロスドメインおよびクロス次元学習を可能にする一連の手法を提案する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• An evaluation of Deep Learning based stereo dense matching dataset shift from aerial images and a large scale stereo dataset [2.048226951354646]
  そこで本研究では,光検出・ランドング(LiDAR)と画像から直接地中不均質マップを生成する手法を提案する。 多様なシーンタイプ、画像解像度、幾何学的構成を持つデータセット間の11の密マッチング手法を評価した。
  論文  参考訳（メタデータ） (2024-02-19T20:33:46Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Diversify Your Vision Datasets with Automatic Diffusion-Based Augmentation [66.6546668043249]
  ALIA(Automated Language-Guided Image Augmentation)は、大規模ビジョンと言語モデルを用いてデータセットのドメインの自然言語記述を自動的に生成する手法である。 データ整合性を維持するために、オリジナルのデータセットでトレーニングされたモデルは、最小限の画像編集とクラス関連情報を破損したデータをフィルタリングする。 そこで本研究では,ALIAが従来のデータ拡張や,詳細な分類作業におけるテキストから画像への変換を超越できることを示す。
  論文  参考訳（メタデータ） (2023-05-25T17:43:05Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Prefix Conditioning Unifies Language and Label Supervision [84.11127588805138]
  学習した表現の一般化性を低減することにより,データセットのバイアスが事前学習に悪影響を及ぼすことを示す。 実験では、この単純な手法により、ゼロショット画像認識精度が向上し、画像レベルの分布シフトに対するロバスト性が向上することを示した。
  論文  参考訳（メタデータ） (2022-06-02T16:12:26Z)
• HYLDA: End-to-end Hybrid Learning Domain Adaptation for LiDAR Semantic Segmentation [13.87939140266266]
  完全ラベル付きソースデータセットと少数のラベルしか持たないターゲットデータセットを用いて,LiDARセマンティックセマンティックセマンティクスネットワークをトレーニングする問題に対処する。 我々は、新しい画像から画像への変換エンジンを開発し、それをLiDARセマンティックセマンティックセグメンテーションネットワークと組み合わせることで、HYLDAと呼ばれる統合ドメイン適応アーキテクチャを実現する。
  論文  参考訳（メタデータ） (2022-01-14T18:13:09Z)
• Realistic Image Normalization for Multi-Domain Segmentation [7.856339385917824]
  本稿では,複数のデータセットにまたがる共通正規化関数を学習することで,従来の画像正規化手法を再検討する。 複数のデータセットを共同で正規化することにより、一貫した正規化イメージと改善されたイメージセグメンテーションが得られる。 また、複数の画像領域から学習する場合に利用可能なサンプル数を増やすことで、データの可用性を向上させることができる。
  論文  参考訳（メタデータ） (2020-09-29T13:57:04Z)
• Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for Building Extraction from Aerial Images [3.786567767772753]
  本稿では,航空画像から抽出するドメイン適応トランスファー攻撃方式に基づくセグメンテーションネットワークを提案する。 提案システムは,ドメイン転送と敵攻撃の概念を組み合わせたシステムである。 3つの異なるデータセットに対して、データセット間の実験とアブレーション実験を行った。
  論文  参考訳（メタデータ） (2020-04-11T06:17:13Z)

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。