論文の概要: ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing

• arxiv url: http://arxiv.org/abs/2210.11539v1
• Date: Thu, 20 Oct 2022 19:16:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 15:00:43.583201
• Title: ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing
• Title（参考訳）: ConfMix:信頼に基づく混合によるオブジェクト検出のための教師なしドメイン適応
• Authors: Giulio Mattolin, Luca Zanella, Elisa Ricci, Yiming Wang
• Abstract要約: オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
• 参考スコア（独自算出の注目度）: 32.679280923208715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) for object detection aims to adapt a model trained on a source domain to detect instances from a new target domain for which annotations are not available. Different from traditional approaches, we propose ConfMix, the first method that introduces a sample mixing strategy based on region-level detection confidence for adaptive object detector learning. We mix the local region of the target sample that corresponds to the most confident pseudo detections with a source image, and apply an additional consistency loss term to gradually adapt towards the target data distribution. In order to robustly define a confidence score for a region, we exploit the confidence score per pseudo detection that accounts for both the detector-dependent confidence and the bounding box uncertainty. Moreover, we propose a novel pseudo labelling scheme that progressively filters the pseudo target detections using the confidence metric that varies from a loose to strict manner along the training. We perform extensive experiments with three datasets, achieving state-of-the-art performance in two of them and approaching the supervised target model performance in the other. Code is available at: https://github.com/giuliomattolin/ConfMix.
• Abstract（参考訳）: オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 従来の手法とは違って,適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を最初に導入するConfMixを提案する。 我々は、最も確実な疑似検出に対応する対象サンプルの局所領域とソース画像とを混合し、目標データ分布に徐々に適応するために追加の整合損失項を適用する。 領域の信頼度を安定的に定義するために,検出値に依存した信頼度と境界ボックスの不確実性の両方を考慮に入れた疑似検出値当たりの信頼度スコアを利用する。 さらに,訓練に伴うゆるやかから厳格な方法によって異なる信頼度指標を用いて,疑似目標検出を段階的にフィルタリングする新しい擬似ラベル方式を提案する。 3つのデータセットで広範な実験を行い、そのうちの2つで最先端のパフォーマンスを達成し、もう一方では教師対象モデルのパフォーマンスにアプローチする。 コードは、https://github.com/giuliomattolin/ConfMix.comで入手できる。

関連論文リスト

• Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections [4.565826090373598]
  局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。 提案手法は, 比較した最先端追跡法より優れる。
  論文  参考訳（メタデータ） (2023-09-18T13:45:35Z)
• Detect, Augment, Compose, and Adapt: Four Steps for Unsupervised Domain Adaptation in Object Detection [7.064953237013352]
  教師なし領域適応(Unsupervised domain adapt、UDA)は、アノテートされたデータなしで、ソース学習された検出器を対象領域に適応させる際に、オブジェクト検出において重要な役割を果たす。 自己超越性を活用し,ソースとターゲットデータを同時に訓練する,新しい,効果的な4段階のUDA手法を提案する。 提案手法は最先端性能を実現し,平均精度(mAP)を2%以上向上させる。
  論文  参考訳（メタデータ） (2023-08-29T14:48:29Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
  この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。 これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
  論文  参考訳（メタデータ） (2021-08-28T09:37:18Z)
• Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection [34.18382705952121]
  Unlabelled Domain Adaptive Object Detectionは、ラベル付きソースドメインから監視されていないターゲットドメインへのディテクタの適応を目指している。 対比学習は、ドメイン間のグローバル分布を単に整列させるだけで、整列されたサンプルの整列を損なう可能性があります。 我々は,条件付き逆学習を導入した不確実性認識型ドメイン適応ネットワーク(uadan)を設計した。
  論文  参考訳（メタデータ） (2021-02-27T15:04:07Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。