論文の概要: 1st Place Solution to NeurIPS 2022 Challenge on Visual Domain Adaptation

• arxiv url: http://arxiv.org/abs/2211.14596v1
• Date: Sat, 26 Nov 2022 15:45:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 15:31:33.264108
• Title: 1st Place Solution to NeurIPS 2022 Challenge on Visual Domain Adaptation
• Title（参考訳）: NeurIPS 2022における第1位ソリューション - Visual Domain Adaptationの課題
• Authors: Daehan Kim, Minseok Seo, YoungJin Jeon, Dong-Geol Choi
• Abstract要約: 本稿では,ドメイン適応モデルにいくつかの手法を組み込んだSIA_Adapt法を提案する。 提案手法はVisDA2022における第1位を達成している。
• 参考スコア（独自算出の注目度）: 4.06040510836545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Visual Domain Adaptation(VisDA) 2022 Challenge calls for an unsupervised domain adaptive model in semantic segmentation tasks for industrial waste sorting. In this paper, we introduce the SIA_Adapt method, which incorporates several methods for domain adaptive models. The core of our method in the transferable representation from large-scale pre-training. In this process, we choose a network architecture that differs from the state-of-the-art for domain adaptation. After that, self-training using pseudo-labels helps to make the initial adaptation model more adaptable to the target domain. Finally, the model soup scheme helped to improve the generalization performance in the target domain. Our method SIA_Adapt achieves 1st place in the VisDA2022 challenge. The code is available on https: //github.com/DaehanKim-Korea/VisDA2022_Winner_Solution.
• Abstract（参考訳）: visual domain adaptation (visda) 2022 challengeは、産業廃棄物のソートにおける意味セグメンテーションタスクにおける教師なしドメイン適応モデルを要求する。 本稿では,ドメイン適応モデルにいくつかの手法を組み込んだSIA_Adapt法を提案する。 大規模事前学習からの転送可能表現における本手法の核心である。 このプロセスでは、ドメイン適応の最先端と異なるネットワークアーキテクチャを選択する。 その後、擬似ラベルを用いた自己学習は、初期適応モデルをターゲットドメインに適応させるのに役立つ。 最後に, モデルスープ方式により, 対象領域の一般化性能が向上した。 SIA_Adapt は VisDA2022 チャレンジで1位を獲得した。 コードはhttps: //github.com/DaehanKim-Korea/VisDA2022_Winner_Solutionで入手できる。

関連論文リスト

• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• AdapterSoup: Weight Averaging to Improve Generalization of Pretrained Language Models [127.04370753583261]
  事前訓練された言語モデル(PLM)は、大規模なコーパスで訓練されるが、しばしば特定のドメインに特化する必要がある。 解決策は、テスト時に新しいドメインに関連ドメインアダプタを使用することである。 本稿では、異なるドメインでトレーニングされたアダプタの重量空間平均化を行うAdapterSoupを紹介する。
  論文  参考訳（メタデータ） (2023-02-14T13:09:23Z)
• UDApter -- Efficient Domain Adaptation Using Adapters [29.70751969196527]
  教師なし領域適応をより効率的にするための2つの手法を提案する。 最初のメソッドは、UDAを2段階のプロセスに分解する。 私たちは、完全なモデルパラメータのごく一部を微調整することで、自然言語推論タスクの0.85% F1以内です。
  論文  参考訳（メタデータ） (2023-02-07T02:04:17Z)
• Continual Unsupervised Domain Adaptation for Semantic Segmentation using a Class-Specific Transfer [9.46677024179954]
  セグメンテーションモデルは 目に見えない領域に一般化しません 2つのクラス条件のAdaIN層を組み込んだ軽量なスタイル転送フレームワークを提案する。 合成シーケンスに対する我々のアプローチを広く検証し、さらに実領域からなる挑戦的なシーケンスを提案する。
  論文  参考訳（メタデータ） (2022-08-12T21:30:49Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• 2nd Place Solution for VisDA 2021 Challenge -- Universally Domain Adaptive Image Recognition [38.54810374543916]
  一般的な特徴抽出と領域適応スキームを集約することで、ユニバーサルドメイン適応(UniDA)手法を導入する。 リーダーボードに示すように、我々の提案したUniDAメソッドは、VisDA 2021 Challengeで48.56%のACCと70.72%のAUROCで2位にランクインしている。
  論文  参考訳（メタデータ） (2021-10-27T07:48:29Z)
• 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)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• 1st Place Solution to VisDA-2020: Bias Elimination for Domain Adaptive Pedestrian Re-identification [17.065458476210175]
  本稿では,視覚領域適応チャレンジ(VisDA-2020)における領域適応型歩行者再識別(Re-ID)タスクを提案する。 ソースドメインとターゲットドメインの間の大きなギャップを考慮すると、ドメイン適応歩行者リidの性能に影響を与える2つのバイアスの解決に焦点をあてた。 私達の方法はテスト セットの76.56% mAPそして84.25%のランク-1を達成します。
  論文  参考訳（メタデータ） (2020-12-25T03:02:46Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。