論文の概要: PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain
Adaptative Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2211.07609v1
- Date: Mon, 14 Nov 2022 18:31:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 18:50:58.412636
- Title: PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain
Adaptative Semantic Segmentation
- Title（参考訳）: pipa: ピクセルおよびパッチ単位で自己教師付き学習によるドメイン適応意味セグメンテーション
- Authors: Mu Chen, Zhedong Zheng, Yi Yang, Tat-Seng Chua
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 100.6343963798169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Domain Adaptation (UDA) aims to enhance the generalization of
the learned model to other domains. The domain-invariant knowledge is
transferred from the model trained on labeled source domain, e.g., video game,
to unlabeled target domains, e.g., real-world scenarios, saving annotation
expenses. Existing UDA methods for semantic segmentation usually focus on
minimizing the inter-domain discrepancy of various levels, e.g., pixels,
features, and predictions, for extracting domain-invariant knowledge. However,
the primary intra-domain knowledge, such as context correlation inside an
image, remains underexplored. In an attempt to fill this gap, we propose a
unified pixel- and patch-wise self-supervised learning framework, called PiPa,
for domain adaptive semantic segmentation that facilitates intra-image
pixel-wise correlations and patch-wise semantic consistency against different
contexts. The proposed framework exploits the inherent structures of
intra-domain images, which: (1) explicitly encourages learning the
discriminative pixel-wise features with intra-class compactness and inter-class
separability, and (2) motivates the robust feature learning of the identical
patch against different contexts or fluctuations. Extensive experiments verify
the effectiveness of the proposed method, which obtains competitive accuracy on
the two widely-used UDA benchmarks, i.e., 75.6 mIoU on GTA to Cityscapes and
68.2 mIoU on Synthia to Cityscapes. Moreover, our method is compatible with
other UDA approaches to further improve the performance without introducing
extra parameters.
- Abstract（参考訳）: Unsupervised Domain Adaptation (UDA) は、学習モデルの他の領域への一般化を強化することを目的としている。
ドメイン不変知識は、例えばビデオゲームのようなラベル付きソースドメインでトレーニングされたモデルから、実世界のシナリオのようなラベル付き対象ドメインへ、アノテーション費用の節約に移される。
セマンティックセグメンテーションのための既存のUDAメソッドは、通常、ドメイン不変知識を抽出するために、ピクセル、特徴、予測など、様々なレベルのドメイン間の差を最小限にすることに焦点を当てている。
しかし、画像内のコンテキスト相関など、ドメイン内の主要な知識は未調査のままである。
このギャップを埋めるために,画像内のピクセル間相関と異なるコンテキストに対するパッチ間意味整合性を容易にするドメイン適応意味セグメンテーションのための,pipaと呼ばれる統合画素・パッチ間自己教師付き学習フレームワークを提案する。
提案手法は,(1)クラス内コンパクト性とクラス間分離性によって識別可能な画素単位の特徴を明示的に学習すること,(2)異なる文脈やゆらぎに対する同一パッチのロバストな特徴学習を動機付けること,というドメイン内イメージの固有構造を利用する。
GTA から Cityscapes への75.6 mIoU と Synthia から Cityscapes への68.2 mIoU という2つの広く使われている UDA ベンチマークの競合精度を得る手法の有効性を検証する。
さらに,本手法は他のUDA手法と互換性があり,パラメータの追加を伴わずにさらなる性能向上を図ることができる。
関連論文リスト
- PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning [34.786268652516355]
教師なしドメイン適応セグメンテーションは、それらのドメインのラベル付きデータに頼ることなく、ターゲットドメイン上のモデルのセグメンテーション精度を向上させることを目的としている。
ソースドメイン(ラベル付きデータが利用可能な場所)とターゲットドメイン(ラベルなしデータのみが存在する場所)の特徴表現の整合を図る。
論文 参考訳（メタデータ） (2024-07-24T08:53:29Z) - 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) - Exploiting Inter-pixel Correlations in Unsupervised Domain Adaptation
for Semantic Segmentation [32.71144601174794]
自己学習」は、教師なしドメイン適応(UDA)によるセマンティックセグメンテーションの主流となる。
本稿では,ソースドメインから自己アテンションモジュールを介して対象ドメインへの画素間相関を転送する方法を提案する。
論文 参考訳（メタデータ） (2021-10-21T06:11:44Z) - A New Bidirectional Unsupervised Domain Adaptation Segmentation
Framework [27.13101555533594]
異なるドメイン間のギャップを埋めるために、教師なしドメイン適応(UDA)技術が提案されている。
本稿では,両方向のUDA演奏に対して,非交互表現学習に基づく双方向UDAフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-18T05:25:11Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳（メタデータ） (2020-10-31T00:11:36Z) - 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) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z)
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。