論文の概要: Semantic Segmentation under Adverse Conditions: A Weather and
Nighttime-aware Synthetic Data-based Approach
- arxiv url: http://arxiv.org/abs/2210.05626v1
- Date: Tue, 11 Oct 2022 17:14:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 15:27:39.750522
- Title: Semantic Segmentation under Adverse Conditions: A Weather and
Nighttime-aware Synthetic Data-based Approach
- Title(参考訳): 悪条件下における意味セグメンテーション--天気と夜間対応合成データに基づくアプローチ
- Authors: Abdulrahman Kerim, Felipe Chamone, Washington Ramos, Leandro Soriano
Marcolino, Erickson R. Nascimento, Richard Jiang
- Abstract要約: 最近のセマンティックセグメンテーションモデルは、標準的な気象条件下では良好に機能するが、悪天候条件や夜間ではうまく機能しない。
本稿では,ドメイン適応のための合成トレーニングデータを用いた新しいアーキテクチャを提案する。
我々は、マルチタスク学習で訓練された天気と日々の監督者を利用して、DeepLabV3+にシンプルながら強力な追加を提案する。
- 参考スコア(独自算出の注目度): 6.482184764321084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent semantic segmentation models perform well under standard weather
conditions and sufficient illumination but struggle with adverse weather
conditions and nighttime. Collecting and annotating training data under these
conditions is expensive, time-consuming, error-prone, and not always practical.
Usually, synthetic data is used as a feasible data source to increase the
amount of training data. However, just directly using synthetic data may
actually harm the model's performance under normal weather conditions while
getting only small gains in adverse situations. Therefore, we present a novel
architecture specifically designed for using synthetic training data for domain
adaptation. We propose a simple yet powerful addition to DeepLabV3+ by using
weather and time-of-the-day supervisors trained with multi-task learning,
making it both weather and nighttime aware, which improves its mIoU accuracy by
$14$ percentage points on the ACDC dataset while maintaining a score of $75\%$
mIoU on the Cityscapes dataset. Our code is available at
https://github.com/lsmcolab/Semantic-Segmentation-under-Adverse-Conditions.
- Abstract(参考訳): 最近のセマンティクスセグメンテーションモデルは、標準的な気象条件と十分な照明下ではうまく機能するが、悪天候や夜間に苦しむ。
このような条件下でのトレーニングデータの収集と注釈付けは費用がかかり、時間がかかり、エラーが発生しやすい。
通常、合成データは訓練データの量を増やすために実現可能なデータソースとして使用される。
しかし、合成データを直接使用するだけでは、通常の気象条件下でのモデルの性能を損なう可能性がある。
そこで本稿では,合成学習データを用いたドメイン適応のための新しいアーキテクチャを提案する。
我々は、マルチタスク学習でトレーニングされた天気と日時スーパーバイザーを使用して、DeepLabV3+にシンプルな強力な追加を提案する。これは、天気と夜間の両方を意識し、ACDCデータセットのmIoU精度を14ドルポイント改善し、CityscapesデータセットのmIoUのスコアを75ドル%以上維持する。
私たちのコードはhttps://github.com/lsmcolab/Semantic-Segmentation-under-Adverse-Conditionsで利用可能です。
関連論文リスト
- Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳(メタデータ) (2023-08-18T17:59:01Z) - Gradient-based Maximally Interfered Retrieval for Domain Incremental 3D
Object Detection [7.448224178732052]
我々は,すべての気象条件下での3次元物体検出のために,グラディエントに基づく最大干渉度検索(GMIR)を提案する。
GMIRは、勾配ベクトルが現在の更新の勾配ベクトルとの最大干渉を示す前のドメインデータセットからサンプルを検索する。
SeeingThroughFog(STF)データセット上の3Dオブジェクト検出実験は、GMIRが忘れを克服するだけでなく、競争性能も提供することを示している。
論文 参考訳(メタデータ) (2023-04-27T18:35:20Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Adapting to Skew: Imputing Spatiotemporal Urban Data with 3D Partial
Convolutions and Biased Masking [13.94102520443797]
都市データの欠落は、センサーまたはソフトウェア障害、データ品質の問題、気象イベントからの干渉、不完全なデータ収集、あるいはさまざまなデータ使用規則によって引き起こされる可能性がある。
我々は3次元ヒストグラム(2次元空間+1次元時間)で都市環境におけるデータ交換によく用いられる画像インペイントにコンピュータビジョン技術を適用した。
我々は,コアモデルが質的かつ定量的に有効であることを示し,トレーニング中の偏りマスキングが様々なシナリオにおける誤差を低減することを示した。
論文 参考訳(メタデータ) (2023-01-10T22:44:22Z) - ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative
Transfer in Weather and Climate Models [13.514499533538789]
我々はClimARTという大規模なデータセットを構築し、現在の、工業以前の、将来の気候条件から、カナダ地球系モデルに基づいて、Emph10万以上のサンプルを収集した。
ClimARTは、複数のアウト・オブ・ディストリビューションテストセット、基礎となるドメイン物理学、精度と推論速度のトレードオフなど、MLコミュニティにいくつかの方法論上の課題を提起している。
また、以前の作業で使用されるデータセットとネットワークアーキテクチャの欠点を示す新しいベースラインをいくつか提示する。
論文 参考訳(メタデータ) (2021-11-29T16:32:31Z) - Spatio-Temporal Graph Contrastive Learning [49.132528449909316]
これらの問題に対処するための時空間グラフコントラスト学習フレームワーク(STGCL)を提案する。
グラフ構造、時間領域、周波数領域の4種類のデータ拡張について詳述する。
我々のフレームワークは、実世界の3つのデータセットと4つの最先端モデルで評価されている。
論文 参考訳(メタデータ) (2021-08-26T16:05:32Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Time-Series Imputation with Wasserstein Interpolation for Optimal
Look-Ahead-Bias and Variance Tradeoff [66.59869239999459]
ファイナンスでは、ポートフォリオ最適化モデルをトレーニングする前に、損失の計算を適用することができる。
インキュベーションのために全データセットを使用するルックアヘッドバイアスと、トレーニングデータのみを使用することによるインキュベーションの大きなばらつきとの間には、本質的にトレードオフがある。
提案手法は,提案法における差分とルックアヘッドバイアスのトレードオフを最適に制御するベイズ後部コンセンサス分布である。
論文 参考訳(メタデータ) (2021-02-25T09:05:35Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z) - WeatherBench: A benchmark dataset for data-driven weather forecasting [17.76377510880905]
データ駆動型中距離天気予報のためのベンチマークデータセットを提案する。
機械学習モデルでの使用を容易にするために処理されたERA5アーカイブから得られたデータを提供する。
単純な線形回帰手法、ディープラーニングモデル、および純粋に物理的な予測モデルからベースラインスコアを提供する。
論文 参考訳(メタデータ) (2020-02-02T19:20:46Z)
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。