論文の概要: Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing
- arxiv url: http://arxiv.org/abs/2212.03826v1
- Date: Wed, 7 Dec 2022 18:16:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 17:00:45.797420
- Title: Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing
- Title（参考訳）: 逐次表現混合によるワンショット画像から画像への変換を用いた意味領域分割のための教師なしドメイン適応
- Authors: Sarmad F. Ismael, Koray Kayabol, and Erchan Aptoula
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.118706387430883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain adaptation is one of the prominent strategies for handling both domain
shift, that is widely encountered in large-scale land use/land cover map
calculation, and the scarcity of pixel-level ground truth that is crucial for
supervised semantic segmentation. Studies focusing on adversarial domain
adaptation via re-styling source domain samples, commonly through generative
adversarial networks, have reported varying levels of success, yet they suffer
from semantic inconsistencies, visual corruptions, and often require a large
number of target domain samples. In this letter, we propose a new unsupervised
domain adaptation method for the semantic segmentation of very high resolution
images, that i) leads to semantically consistent and noise-free images, ii)
operates with a single target domain sample (i.e. one-shot) and iii) at a
fraction of the number of parameters required from state-of-the-art methods.
More specifically an image-to-image translation paradigm is proposed, based on
an encoder-decoder principle where latent content representations are mixed
across domains, and a perceptual network module and loss function is further
introduced to enforce semantic consistency. Cross-city comparative experiments
have shown that the proposed method outperforms state-of-the-art domain
adaptation methods. Our source code will be available at
\url{https://github.com/Sarmadfismael/LRM_I2I}.
- Abstract（参考訳）: ドメイン適応は、大規模土地利用・土地被覆マップ計算において広く見られるドメインシフトと、教師ありセマンティックセグメンテーションに不可欠なピクセルレベルの地平の不足の両方を扱うための重要な戦略の1つである。
ソースドメインの再スタイリングによる敵のドメイン適応に焦点をあてた研究は、一般的には生成的な敵のネットワークを通じて、様々なレベルの成功を報告しているが、それらは意味的な矛盾、視覚的な腐敗に苦しめられ、しばしば多数のターゲットドメインのサンプルを必要とする。
本稿では,超高解像度画像の意味セグメンテーションのための教師なし領域適応法を提案する。
i) 意味的に一貫性があり、ノイズのない画像につながること。
ii) 単一の対象領域サンプル(すなわちワンショット)で動作し、かつ、
三 最先端の方法から必要なパラメータの数のごく一部であつて。
より具体的には、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し、セマンティック一貫性を強制するために知覚ネットワークモジュールと損失関数をさらに導入する。
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。
ソースコードは \url{https://github.com/sarmadfismael/lrm_i2i}で入手できる。
関連論文リスト
- Diffusion-based Image Translation with Label Guidance for Domain
Adaptive Semantic Segmentation [35.44771460784343]
ターゲットモデル学習のためのソースドメインからターゲットドメインへの変換は、ドメイン適応セマンティックセグメンテーション(DASS)において最も一般的な戦略の1つである。
既存の方法は、元の画像と翻訳された画像の間の意味的に一貫性のある局所的な詳細を保存するのに依然として苦労している。
本稿では、画像翻訳中にソースドメインラベルを明示的なガイダンスとして用いることにより、この問題に対処する革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-23T18:01:01Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳（メタデータ） (2023-01-03T15:19:48Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳（メタデータ） (2022-08-12T02:21:05Z) - Unsupervised Domain Adaptation with Semantic Consistency across
Heterogeneous Modalities for MRI Prostate Lesion Segmentation [19.126306953075275]
セマンティック一貫性を促進する2つの新しい損失関数を導入する。
特に,高度な拡散強調画像技術であるVERDICT-MRIの性能向上の課題に対処する。
論文 参考訳（メタデータ） (2021-09-19T17:33:26Z) - 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) - Deep Symmetric Adaptation Network for Cross-modality Medical Image
Segmentation [40.95845629932874]
監視されていないドメイン適応(UDA)手法は、クロスモダリティ医療イメージセグメンテーションタスクで有望なパフォーマンスを示しています。
医療用画像セグメンテーションのためのUDAの新しいディープシンメトリーアーキテクチャを提案する。セグメンテーションサブネットワークと2つのシンメトリーソースとターゲットドメイン翻訳サブネットワークからなる。
本手法は,Cardiac と BraTS のセグメンテーションタスクにおける最先端手法と比較して,顕著な利点がある。
論文 参考訳（メタデータ） (2021-01-18T02:54:30Z) - 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) - FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。
本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。
以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-04-11T22:20:48Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-09T19:00:35Z)
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。