論文の概要: Test-time Adaptation vs. Training-time Generalization: A Case Study in
Human Instance Segmentation using Keypoints Estimation
- arxiv url: http://arxiv.org/abs/2212.06242v1
- Date: Mon, 12 Dec 2022 20:56:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:52:04.487454
- Title: Test-time Adaptation vs. Training-time Generalization: A Case Study in
Human Instance Segmentation using Keypoints Estimation
- Title（参考訳）: テスト時間適応とトレーニング時間一般化:キーポイント推定を用いたヒトインスタンス分割のケーススタディ
- Authors: Kambiz Azarian, Debasmit Das, Hyojin Park, Fatih Porikli
- Abstract要約: 我々は,キーポイント推定を用いて,与えられたテスト画像の人間のインスタンスセグメンテーションマスクの品質を向上する問題を考察する。
第1のアプローチはテスト時間適応(TTA)法であり、単一のラベルのないテスト画像を用いてセグメント化ネットワークの重みをテスト時間で修正することができる。
第2のアプローチは、トレーニング時一般化(TTG)手法であり、ラベル付きソースデータセットへのオフラインアクセスを許可するが、重みのテスト時修正は許可しない。
- 参考スコア（独自算出の注目度）: 48.30744831719513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of improving the human instance segmentation mask
quality for a given test image using keypoints estimation. We compare two
alternative approaches. The first approach is a test-time adaptation (TTA)
method, where we allow test-time modification of the segmentation network's
weights using a single unlabeled test image. In this approach, we do not assume
test-time access to the labeled source dataset. More specifically, our TTA
method consists of using the keypoints estimates as pseudo labels and
backpropagating them to adjust the backbone weights. The second approach is a
training-time generalization (TTG) method, where we permit offline access to
the labeled source dataset but not the test-time modification of weights.
Furthermore, we do not assume the availability of any images from or knowledge
about the target domain. Our TTG method consists of augmenting the backbone
features with those generated by the keypoints head and feeding the aggregate
vector to the mask head. Through a comprehensive set of ablations, we evaluate
both approaches and identify several factors limiting the TTA gains. In
particular, we show that in the absence of a significant domain shift, TTA may
hurt and TTG show only a small gain in performance, whereas for a large domain
shift, TTA gains are smaller and dependent on the heuristics used, while TTG
gains are larger and robust to architectural choices.
- Abstract（参考訳）: キーポイント推定を用いて,与えられたテスト画像のヒトインスタンスセグメンテーションマスク品質を改善する問題を考える。
2つのアプローチを比較します。
第1のアプローチはテスト時間適応(TTA)法であり、単一のラベルのないテスト画像を用いてセグメント化ネットワークの重みをテスト時間修正できる。
このアプローチでは、ラベル付きソースデータセットへのテスト時間アクセスを前提としません。
具体的には、キーポイント推定値を擬似ラベルとして使用し、バックボーン重みを調整するためにバックプロパゲートする。
第2のアプローチは、トレーニング時一般化(TTG)手法であり、ラベル付きソースデータセットへのオフラインアクセスを許可するが、重みのテスト時修正は許可しない。
さらに、対象領域に関する画像や知識が利用できるとは想定していません。
TTG法は,キーポイントヘッドが生成したバックボーンの特徴を増強し,アグリゲートベクトルをマスクヘッドに供給することで構成する。
包括的アブリケーションを通じて、両アプローチを評価し、TTAゲインを制限するいくつかの要因を特定する。
特に、大きなドメインシフトがなければ、TTAは損傷し、TTGはパフォーマンスがわずかに向上することを示し、一方、大きなドメインシフトでは、TTAゲインはより小さく、使用したヒューリスティックに依存し、TTGゲインはより大きく、アーキテクチャ上の選択に対して堅牢であることを示す。
関連論文リスト
- Domain-Specific Block Selection and Paired-View Pseudo-Labeling for Online Test-Time Adaptation [6.64353332639395]
テスト時適応(TTA)は、事前トレーニングされたモデルを、デプロイ後にソースデータにアクセスすることなく、新しいテストドメインに適応することを目的としている。
既存のアプローチは、テストデータからグラウンドトルースを得ることができないため、擬似ラベルによる自己学習に依存している。
DPLOTは,(1)ドメイン固有のブロック選択と(2)ペアビュー画像を用いた擬似ラベル生成という2つのコンポーネントから構成される,シンプルで効果的なTTAフレームワークである。
論文 参考訳（メタデータ） (2024-04-17T00:21:36Z) - Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for
Single Image Test-Time Adaptation [6.964589353845092]
テスト時間適応(TTA)とは、テスト中にトレーニングされたモデルを新しいドメインに適応させることである。
そこで本研究では,単一の未ラベルテスト画像のみを用いて,医用画像分割モデルを適用することを提案する。
提案手法は, 平均2.9%のDice係数で, 3つの医用画像データセットにまたがる24のソース/ターゲット領域に分割して検証した。
論文 参考訳（メタデータ） (2024-02-14T22:26:07Z) - Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。
1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。
本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。
本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
論文 参考訳（メタデータ） (2024-01-15T03:33:39Z) - Few Clicks Suffice: Active Test-Time Adaptation for Semantic
Segmentation [14.112999441288615]
テスト時間適応(TTA)は、未ラベルのテストデータを使用した推論中に事前訓練されたモデルに適応する。
TTAアプローチと教師付きアプローチの間には,依然として大きなパフォーマンスギャップがあります。
本稿では,モデルアダプタとラベルアノテータの2つの部分からなるATASegフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-04T12:16:02Z) - Benchmarking Test-Time Adaptation against Distribution Shifts in Image
Classification [77.0114672086012]
テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。
本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
論文 参考訳（メタデータ） (2023-07-06T16:59:53Z) - AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。
この問題に対処するためにテスト時適応(TTA)手法が提案されている。
本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文 参考訳（メタデータ） (2023-04-25T04:23:13Z) - Improved Test-Time Adaptation for Domain Generalization [48.239665441875374]
テストタイムトレーニング(TTT)は、学習したモデルにテストデータを適用する。
この作業は2つの主な要因に対処する: テストフェーズ中にアップデートする信頼性のあるパラメータを更新および識別するための適切な補助的TTTタスクを選択する。
トレーニングされたモデルに適応パラメータを追加し、テストフェーズでのみ適応パラメータを更新することを提案する。
論文 参考訳（メタデータ） (2023-04-10T10:12:38Z) - Feature Alignment and Uniformity for Test Time Adaptation [8.209137567840811]
テスト時間適応は、分散テストドメインサンプルの受信時にディープニューラルネットワークを適用することを目的としている。
この設定では、モデルはトレーニングドメイン上のオンラインのラベルなしテストサンプルと事前トレーニングされたモデルにのみアクセスすることができる。
論文 参考訳（メタデータ） (2023-03-20T06:44:49Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳（メタデータ） (2022-06-01T03:02:07Z)
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。