論文の概要: Reducing Annotation Effort by Identifying and Labeling Contextually
Diverse Classes for Semantic Segmentation Under Domain Shift
- arxiv url: http://arxiv.org/abs/2210.06749v1
- Date: Thu, 13 Oct 2022 05:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 16:06:55.896252
- Title: Reducing Annotation Effort by Identifying and Labeling Contextually
Diverse Classes for Semantic Segmentation Under Domain Shift
- Title（参考訳）: ドメインシフト下における意味的セグメンテーションのための文脈的多元クラス同定とラベル付けによるアノテーションの削減
- Authors: Sharat Agarwal, Saket Anand, Chetan Arora
- Abstract要約: フレームが与えられた場合、モデルが正確に予測することが最も難しいクラスの集合を識別するADA戦略を提案する。
これらの「ハード」クラスの集合は文脈依存であり、典型的にはフレームによって異なることを示し、アノテートされた場合、モデルはより一般化される。
GTAの66.6 mIoUをCityscapesのデータセットに4.7%のアノテーション予算で達成し、MADAの64.9 mIoUを5%のアノテーションで比較した。
- 参考スコア（独自算出の注目度）: 9.511556316700705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Active Domain Adaptation (ADA), one uses Active Learning (AL) to select a
subset of images from the target domain, which are then annotated and used for
supervised domain adaptation (DA). Given the large performance gap between
supervised and unsupervised DA techniques, ADA allows for an excellent
trade-off between annotation cost and performance. Prior art makes use of
measures of uncertainty or disagreement of models to identify `regions' to be
annotated by the human oracle. However, these regions frequently comprise of
pixels at object boundaries which are hard and tedious to annotate. Hence, even
if the fraction of image pixels annotated reduces, the overall annotation time
and the resulting cost still remain high. In this work, we propose an ADA
strategy, which given a frame, identifies a set of classes that are hardest for
the model to predict accurately, thereby recommending semantically meaningful
regions to be annotated in a selected frame. We show that these set of `hard'
classes are context-dependent and typically vary across frames, and when
annotated help the model generalize better. We propose two ADA techniques: the
Anchor-based and Augmentation-based approaches to select complementary and
diverse regions in the context of the current training set. Our approach
achieves 66.6 mIoU on GTA to Cityscapes dataset with an annotation budget of
4.7% in comparison to 64.9 mIoU by MADA using 5% of annotations. Our technique
can also be used as a decorator for any existing frame-based AL technique,
e.g., we report 1.5% performance improvement for CDAL on Cityscapes using our
approach.
- Abstract（参考訳）: Active Domain Adaptation (ADA) では、ターゲットドメインからイメージのサブセットを選択するためにActive Learning (AL) を使用し、アノテーションを付け、監視ドメイン適応(DA)に使用される。
教師なしDA技術と教師なしDA技術の間に大きなパフォーマンスギャップがあることを考えると、ADAはアノテーションのコストとパフォーマンスのトレードオフを優れたものにします。
先行技術は、人間の神託によってアノテートされる「地域」を特定するために不確実性または不一致の尺度を使用する。
しかし、これらの領域はしばしば、注釈付けが困難で退屈なオブジェクト境界のピクセルで構成されている。
したがって、注記された画像画素の断片が減少しても、全体のアノテーション時間と結果として生じるコストは高いままである。
本研究では,フレームが与えられた場合,モデルが正確に予測しにくいクラスの集合を識別し,選択したフレームにアノテートする意味論的意味のある領域を推奨するADA戦略を提案する。
これらの'hard' クラスのセットはコンテキスト依存であり、一般的にフレームによって異なり、アノテーションが付されるとモデルがより一般化する。
我々は,現在のトレーニングセットの文脈において,補完的かつ多様な領域を選択するためのアンカーベースと強化型アプローチという2つのada手法を提案する。
GTAの66.6 mIoUをCityscapesのデータセットに4.7%のアノテーション予算で達成し、MADAの64.9 mIoUを5%のアノテーションで比較した。
本手法は,既存のフレームベースal手法のデコレータとしても使用できる。例えば,都市景観におけるcdalの1.5%の性能改善を,本手法を用いて報告する。
関連論文リスト
- DMESA: Densely Matching Everything by Segmenting Anything [16.16319526547664]
本稿では,新しい特徴マッチング手法としてMESAとDMESAを提案する。
MESAはSAMの高度な画像理解に基づいて、点マッチングの前に暗黙のセマンティック領域マッチングを確立する。
繰り返し計算が少ないため、DMESAはMESAと比較して約5倍の速度向上を示す。
論文 参考訳（メタデータ） (2024-08-01T04:39:36Z) - SS-ADA: A Semi-Supervised Active Domain Adaptation Framework for Semantic Segmentation [25.929173344653158]
セマンティックセグメンテーションのための半教師付きアクティブドメイン適応(SS-ADA)フレームワークを提案する。
SS-ADAは、アクティブラーニングを半教師付きセマンティックセグメンテーションに統合し、教師付き学習の精度を達成する。
本研究では,合成ドメイン適応設定と実ドメイン適応設定について広範な実験を行った。
論文 参考訳（メタデータ） (2024-06-17T13:40:42Z) - Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。
不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。
の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
論文 参考訳（メタデータ） (2023-07-21T14:37:17Z) - Adaptive Region Selection for Active Learning in Whole Slide Image
Semantic Segmentation [3.1392713791311766]
リージョンベースアクティブラーニング(AL)では、限られた数の注釈付き画像領域でモデルをトレーニングする。
本稿では,このALハイパーパラメータに依存しないアノテーション領域を適応的に選択する手法を提案する。
CAMELYON16データセットを用いた乳癌セグメンテーションの課題を用いて本手法の評価を行った。
論文 参考訳（メタデータ） (2023-07-14T05:34:13Z) - 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) - HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic
Segmentation [104.47737619026246]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメインでトレーニングされたモデルをターゲットドメインに適応させることを目的としている。
我々は,小作物の強度を組み合わして細分化の詳細を保存した多分解能トレーニング手法HRDAを提案する。
GTA-to-Cityscapesは5.5 mIoU、Synthia-to-Cityscapesは4.9 mIoUである。
論文 参考訳（メタデータ） (2022-04-27T18:00:26Z) - 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) - Structure-Consistent Weakly Supervised Salient Object Detection with
Local Saliency Coherence [14.79639149658596]
本論文では,スクリブルアノテーションによる弱監督オブジェクト検出のための1ラウンドのエンドツーエンドトレーニング手法を提案する。
6つのベンチマークで最新のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2020-12-08T12:49:40Z) - Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。
ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。
実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
論文 参考訳（メタデータ） (2020-07-30T01:33:57Z) - Context Prior for Scene Segmentation [118.46210049742993]
我々はアフィニティ・ロスを監督する文脈優先を開発する。
学習されたコンテキスト優先は、同じカテゴリに属するピクセルを抽出し、逆のコンテキスト優先は異なるクラスのピクセルに焦点を当てる。
本アルゴリズムはADE20Kで46.3% mIoU,PASCAL-Contextで53.9% mIoU,Cityscapesで81.3% mIoUを達成した。
論文 参考訳（メタデータ） (2020-04-03T13:16:32Z)
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。