論文の概要: SSDA-YOLO: Semi-supervised Domain Adaptive YOLO for Cross-Domain Object Detection

• arxiv url: http://arxiv.org/abs/2211.02213v1
• Date: Fri, 4 Nov 2022 01:50:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 16:43:44.068396
• Title: SSDA-YOLO: Semi-supervised Domain Adaptive YOLO for Cross-Domain Object Detection
• Title（参考訳）: SSDA-YOLO:クロスドメインオブジェクト検出のための半教師付きドメイン適応YOLO
• Authors: Huayi Zhou, Fei Jiang, Hongtao Lu
• Abstract要約: ドメイン適応オブジェクト検出(DAD)は、ドメイン間の不一致に起因する転送性能の劣化を軽減することを目的としている。 クロスドメイン検出性能を向上させるために,新しい半教師付きドメイン適応型YOLO(SSDA-YOLO)を提案する。
• 参考スコア（独自算出の注目度）: 27.02391566687007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive object detection (DAOD) aims to alleviate transfer performance degradation caused by the cross-domain discrepancy. However, most existing DAOD methods are dominated by computationally intensive two-stage detectors, which are not the first choice for industrial applications. In this paper, we propose a novel semi-supervised domain adaptive YOLO (SSDA-YOLO) based method to improve cross-domain detection performance by integrating the compact one-stage detector YOLOv5 with domain adaptation. Specifically, we adapt the knowledge distillation framework with the Mean Teacher model to assist the student model in obtaining instance-level features of the unlabeled target domain. We also utilize the scene style transfer to cross-generate pseudo images in different domains for remedying image-level differences. In addition, an intuitive consistency loss is proposed to further align cross-domain predictions. We evaluate our proposed SSDA-YOLO on public benchmarks including PascalVOC, Clipart1k, Cityscapes, and Foggy Cityscapes. Moreover, to verify its generalization, we conduct experiments on yawning detection datasets collected from various classrooms. The results show considerable improvements of our method in these DAOD tasks. Our code is available on \url{https://github.com/hnuzhy/SSDA-YOLO}.
• Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は、ドメイン間差による転送性能劣化を軽減することを目的としている。 しかし、既存のdaod法は計算集約型2段階検出器が支配しており、産業用途では最初の選択肢ではない。 本稿では,コンパクトな1段検出器YOLOv5をドメイン適応と組み合わせることで,クロスドメイン検出性能を向上させるための半教師付きドメイン適応YOLO(SSDA-YOLO)を提案する。 具体的には、知識蒸留フレームワークを平均教師モデルに適応させ、未ラベル対象ドメインのインスタンスレベルの特徴を得る学生モデルを支援する。 また,画像レベルの差異を改善するために,異なる領域の擬似画像をクロスジェネレートするためにシーンスタイル転送を利用する。 さらに、ドメイン間の予測をさらに整合させるため、直感的な整合性損失が提案されている。 提案したSSDA-YOLOをPascalVOC, Clipart1k, Cityscapes, Foggy Cityscapesなどの公開ベンチマークで評価した。 さらに,その一般化を検証するために,様々な教室から収集したあくび検出データセットの実験を行った。 その結果,daodタスクにおける提案手法の大幅な改善が示された。 私たちのコードは \url{https://github.com/hnuzhy/SSDA-YOLO} で利用可能です。

関連論文リスト

• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Diffusion-based Target Sampler for Unsupervised Domain Adaptation [5.025971841729201]
  大きなドメインシフトと対象ドメインのサンプル不足により、既存のUDAメソッドは最適以下のパフォーマンスを実現する。 そこで我々はDTS(Diffusion-based Target Sampler)を提案する。 生成されたサンプルは、ターゲットドメインのデータ分布を十分にシミュレートすることができ、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つ。
  論文  参考訳（メタデータ） (2023-03-17T02:07:43Z)
• FIT: Frequency-based Image Translation for Domain Adaptive Object Detection [8.635264598464355]
  ドメイン適応オブジェクト検出(DAOD)のための新しい周波数ベース画像変換(FIT)フレームワークを提案する。 まず、ドメイン不変周波数成分を保持し、ドメイン固有周波数成分を交換することで、画像変換を行い、入力レベルでのドメインシフトを低減する。 第二に、階層的対角的特徴学習を用いて、特徴レベルでのドメインギャップをさらに緩和する。
  論文  参考訳（メタデータ） (2023-03-07T07:30:08Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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） (2021-08-28T09:29:14Z)
• Domain Adaptive YOLO for One-Stage Cross-Domain Detection [4.596221278839825]
  ドメイン適応型YOLO (DA-YOLO) は1段検出器のクロスドメイン性能を向上させるために提案される。 提案手法を,Cityscapes,KITTI,SIM10Kなどの一般的なデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-06-26T04:17:42Z)
• Multiscale Domain Adaptive YOLO for Cross-Domain Object Detection [0.0]
  我々は、複数のドメイン適応パスと対応するドメイン分類器を異なるスケールで使用して、ドメイン不変の機能を生成する、新しいMultiScale Domain Adaptive YOLO(MS-DAYOLO)フレームワークを提案する。 本実験は,提案したMS-DAYOLOを用いたYOLOv4のトレーニングや,自律運転用車両の厳しい気象条件を示す目標データ上での試験において,物体検出性能が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-02T21:50:25Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。