論文の概要: Hierarchical Instance Mixing across Domains in Aerial Segmentation
- arxiv url: http://arxiv.org/abs/2210.06216v1
- Date: Wed, 12 Oct 2022 14:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 14:56:13.939664
- Title: Hierarchical Instance Mixing across Domains in Aerial Segmentation
- Title(参考訳): 空中セグメンテーションにおける領域間混合階層型インスタンス
- Authors: Edoardo Arnaudo, Antonio Tavera, Fabrizio Dominici, Carlo Masone,
Barbara Caputo
- Abstract要約: 階層型インスタンス混合(HIMix)と呼ばれるドメイン間の空域分割のための新しい戦略を開発する。
LoveDAベンチマークで広範な実験を行い、私たちのソリューションは現在の最先端よりも優れています。
- 参考スコア(独自算出の注目度): 14.738954189759156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate the task of unsupervised domain adaptation in aerial semantic
segmentation and discover that the current state-of-the-art algorithms designed
for autonomous driving based on domain mixing do not translate well to the
aerial setting. This is due to two factors: (i) a large disparity in the
extension of the semantic categories, which causes a domain imbalance in the
mixed image, and (ii) a weaker structural consistency in aerial scenes than in
driving scenes since the same scene might be viewed from different perspectives
and there is no well-defined and repeatable structure of the semantic elements
in the images. Our solution to these problems is composed of: (i) a new mixing
strategy for aerial segmentation across domains called Hierarchical Instance
Mixing (HIMix), which extracts a set of connected components from each semantic
mask and mixes them according to a semantic hierarchy and, (ii) a twin-head
architecture in which two separate segmentation heads are fed with variations
of the same images in a contrastive fashion to produce finer segmentation maps.
We conduct extensive experiments on the LoveDA benchmark, where our solution
outperforms the current state-of-the-art.
- Abstract(参考訳): 本研究では,航空意味セグメンテーションにおける教師なし領域適応の課題について検討し,ドメイン混合に基づく自律運転のための現在の最先端アルゴリズムは,航空セグメンテーションにうまく変換できないことを発見した。
これは2つの要因による。
(i)混合画像におけるドメインの不均衡を引き起こす意味圏の拡張の差が大きいこと、及び
(ii)同一の場面を異なる視点から見ることができ、画像に意味的要素の明確かつ反復可能な構造が存在しないため、空中シーンにおける構造的一貫性が運転シーンよりも弱いこと。
これらの問題に対する我々の解決策は
一 階層型混合(HIMix)と呼ばれるドメイン間の空域分割のための新しい混合戦略で、各セマンティックマスクから連結成分の集合を抽出し、セマンティック階層に従ってそれらを混合する。
(i)2つの別々のセグメンテーションヘッドに、対照的な方法で同じ画像のバリエーションを供給し、より微細なセグメンテーションマップを生成するツインヘッドアーキテクチャ。
LoveDAベンチマークで広範な実験を行い、私たちのソリューションは現在の最先端よりも優れています。
関連論文リスト
- Improving Anomaly Segmentation with Multi-Granularity Cross-Domain
Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。
既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。
シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文 参考訳(メタデータ) (2023-08-16T22:54:49Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
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)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳(メタデータ) (2023-01-03T15:19:48Z) - Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。
潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。
都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文 参考訳(メタデータ) (2022-12-07T18:16:17Z) - Mix and Reason: Reasoning over Semantic Topology with Data Mixing for
Domain Generalization [48.90173060487124]
ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。
mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。
複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
論文 参考訳(メタデータ) (2022-10-14T06:52:34Z) - Active Domain Adaptation with Multi-level Contrastive Units for Semantic
Segmentation [22.048328293739182]
セマンティックイメージセグメンテーションのための多レベルコントラストユニット(ADA-MCU)を用いた新しいアクティブドメイン適応方式を提案する。
ADA-MCUは、ラベル付きおよびラベルなしのピクセルを使用して、画像内、クロスイメージ、およびクロスドメインレベルから構築される。
提案手法は,ラベル付き画素を50%減らした最先端のSSDA手法に対する競合性能を実現し,同レベルのアノテーションコストを用いることで,最先端のSSDA手法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2022-05-23T10:55:39Z) - Multi-Granularity Alignment Domain Adaptation for Object Detection [33.32519045960187]
ドメイン適応型オブジェクト検出は、ソースドメインとターゲットドメインの間に特有のデータ分布があるため、難しい。
ドメイン不変な特徴学習に向けた多粒度アライメントに基づくオブジェクト検出フレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-31T09:05:06Z) - A Unified Architecture of Semantic Segmentation and Hierarchical
Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。
我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。
我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
論文 参考訳(メタデータ) (2021-12-08T22:06:31Z) - Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。
ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。
親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文 参考訳(メタデータ) (2020-09-26T10:28:11Z) - Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。
我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。
提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
論文 参考訳(メタデータ) (2020-03-18T04:43:25Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳(メタデータ) (2020-02-06T13:49:47Z)
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。