論文の概要: Mixture Domain Adaptation to Improve Semantic Segmentation in Real-World
Surveillance
- arxiv url: http://arxiv.org/abs/2211.10119v1
- Date: Fri, 18 Nov 2022 09:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:59:29.174687
- Title: Mixture Domain Adaptation to Improve Semantic Segmentation in Real-World
Surveillance
- Title(参考訳): 実世界のサーベイランスにおけるセマンティックセグメンテーション改善のための混合領域適応
- Authors: S\'ebastien Pi\'erard, Anthony Cioppa, Ana\"is Halin, Renaud
Vandeghen, Maxime Zanella, Beno\^it Macq, Sa\"id Mahmoudi, and Marc Van
Droogenbroeck
- Abstract要約: 本稿では,非教師付き多無限領域適応のためのアルゴリズムの形式的証明について述べる。
提案アルゴリズムは,対象領域に関連付けられた確率測度が,ソース領域の確率測度の凸結合である場合に適用できる。
ソースモデルと、オンラインでトレーニングされたドメイン識別器モデルを使用して、フライでターゲットドメインに適応した後部を計算します。
- 参考スコア(独自算出の注目度): 8.059723743801902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various tasks encountered in real-world surveillance can be addressed by
determining posteriors (e.g. by Bayesian inference or machine learning), based
on which critical decisions must be taken. However, the surveillance domain
(acquisition device, operating conditions, etc.) is often unknown, which
prevents any possibility of scene-specific optimization. In this paper, we
define a probabilistic framework and present a formal proof of an algorithm for
the unsupervised many-to-infinity domain adaptation of posteriors. Our proposed
algorithm is applicable when the probability measure associated with the target
domain is a convex combination of the probability measures of the source
domains. It makes use of source models and a domain discriminator model trained
off-line to compute posteriors adapted on the fly to the target domain.
Finally, we show the effectiveness of our algorithm for the task of semantic
segmentation in real-world surveillance. The code is publicly available at
https://github.com/rvandeghen/MDA.
- Abstract(参考訳): 現実世界の監視で遭遇する様々なタスクは、どの決定を下すかに基づいて後部決定(ベイズ推論や機械学習など)によって対処することができる。
しかし、監視領域(取得装置、動作条件など)はしばしば不明であり、シーン固有の最適化の可能性を防いでいる。
本稿では,確率的枠組みを定義し,非教師付き多無限領域適応のためのアルゴリズムの形式的証明を示す。
提案アルゴリズムは,対象領域に関連付けられた確率測度が,ソース領域の確率測度の凸結合である場合に適用できる。
ソースモデルとドメイン識別モデルをオフラインでトレーニングし、ターゲットドメインに適応した後部を計算します。
最後に,実世界の監視におけるセマンティックセグメンテーションの課題に対するアルゴリズムの有効性を示す。
コードはhttps://github.com/rvandeghen/MDAで公開されている。
関連論文リスト
- Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。
既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
論文 参考訳(メタデータ) (2024-11-06T11:03:02Z) - Domain Agnostic Conditional Invariant Predictions for Domain Generalization [20.964740750976667]
本稿では,識別リスク最小化(DRM)理論とそれに対応するアルゴリズムを提案する。
DRM理論では、ソース領域全体とそのサブセット間の予測分布の相違が、不変な特徴の獲得に寄与することを証明する。
我々は,複数の実世界のデータセット上での領域一般化手法に対するアルゴリズムの評価を行った。
論文 参考訳(メタデータ) (2024-06-09T02:38:52Z) - Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via
Edge Concatenation [7.953644697658355]
教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。
本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。
我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
論文 参考訳(メタデータ) (2023-10-11T02:50:16Z) - OTAdapt: Optimal Transport-based Approach For Unsupervised Domain
Adaptation [10.485172090696642]
本稿では, 最適輸送ベース距離に基づいて, 教師なし領域適応に対する新しいアプローチを提案する。
このアプローチは、ドメイン間で有意義なメトリクスを必要とせずに、ターゲットドメインとソースドメインの整合を可能にする。
提案手法は,様々な問題において異なるデータセット上で評価される。
論文 参考訳(メタデータ) (2022-05-22T04:25:24Z) - Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework [50.88463458896428]
ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。
既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。
本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
論文 参考訳(メタデータ) (2021-11-30T02:35:51Z) - A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。
本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。
2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
論文 参考訳(メタデータ) (2021-05-09T21:33:27Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳(メタデータ) (2021-05-06T06:04:59Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。
我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文 参考訳(メタデータ) (2021-02-23T00:59:02Z) - Unsupervised Domain Adaptive Object Detection using Forward-Backward
Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。
近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。
本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文 参考訳(メタデータ) (2020-02-03T06:24:58Z)
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。