論文の概要: One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers
- arxiv url: http://arxiv.org/abs/2212.07292v1
- Date: Wed, 14 Dec 2022 15:54:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 15:11:24.172571
- Title: One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers
- Title（参考訳）: クラス認識クロスドメイントランスフォーマーによるワンショット領域適応型意味セグメンテーション
- Authors: Rui Gong, Qin Wang, Dengxin Dai, Luc Van Gool
- Abstract要約: セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
- 参考スコア（独自算出の注目度）: 96.51828911883456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised sim-to-real domain adaptation (UDA) for semantic segmentation
aims to improve the real-world test performance of a model trained on simulated
data. It can save the cost of manually labeling data in real-world applications
such as robot vision and autonomous driving. Traditional UDA often assumes that
there are abundant unlabeled real-world data samples available during training
for the adaptation. However, such an assumption does not always hold in
practice owing to the collection difficulty and the scarcity of the data. Thus,
we aim to relieve this need on a large number of real data, and explore the
one-shot unsupervised sim-to-real domain adaptation (OSUDA) and generalization
(OSDG) problem, where only one real-world data sample is available. To remedy
the limited real data knowledge, we first construct the pseudo-target domain by
stylizing the simulated data with the one-shot real data. To mitigate the
sim-to-real domain gap on both the style and spatial structure level and
facilitate the sim-to-real adaptation, we further propose to use class-aware
cross-domain transformers with an intermediate domain randomization strategy to
extract the domain-invariant knowledge, from both the simulated and
pseudo-target data. We demonstrate the effectiveness of our approach for OSUDA
and OSDG on different benchmarks, outperforming the state-of-the-art methods by
a large margin, 10.87, 9.59, 13.05 and 15.91 mIoU on GTA,
SYNTHIA$\rightarrow$Cityscapes, Foggy Cityscapes, respectively.
- Abstract（参考訳）: 意味セグメンテーションのための教師なしsim-to-realドメイン適応(uda)は、シミュレーションデータで訓練されたモデルの実世界テスト性能を改善することを目的としている。
ロボットビジョンや自動運転など、現実世界のアプリケーションで手動でデータをラベリングするコストを削減できる。
従来のudaは、適応のためのトレーニング中に利用可能なラベルのない実世界のデータサンプルが豊富にあると仮定することが多い。
しかし、収集の困難さやデータの不足のため、そのような仮定は実際には必ずしも成立しない。
そこで本研究では,多数の実データに対するこのニーズを解消し,実データサンプルが1つしか存在しない,一発の教師なしシム・トゥ・リアルドメイン適応(OSUDA)と一般化(OSDG)の問題を探究する。
制限された実データ知識を改善するため、まずシミュレーションデータをワンショット実データでスタイリングすることで擬似対象ドメインを構築する。
さらに,シミュレートされたデータと擬似ターゲットデータの両方から,中間領域のランダム化戦略を備えたクラス認識型クロスドメイントランスフォーマーを用いて,ドメイン間ドメイン間ギャップを緩和し,そのドメイン間ギャップを緩和する手法を提案する。
我々は,OSUDAとOSDGの異なるベンチマークにおけるアプローチの有効性を実証し,GTA上の10.87,9.59,13.05,15.91 mIoU,SynTHIA$\rightarrow$Cityscapes,Fogy Cityscapesをそれぞれ比較した。
関連論文リスト
- xTED: Cross-Domain Adaptation via Diffusion-Based Trajectory Editing [21.37585797507323]
ドメイン間政策伝達手法は主に、ポリシー学習を容易にするために、ドメインの対応や修正を学習することを目的としている。
本稿では,クロスドメイントラジェクトリ適応のために特別に設計された拡散モデルを用いたクロスドメイントラジェクトリ・EDitingフレームワークを提案する。
提案するモデルアーキテクチャは,対象データ内の動的パターンだけでなく,状態,行動,報酬間の複雑な依存関係を効果的にキャプチャする。
論文 参考訳（メタデータ） (2024-09-13T10:07:28Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳（メタデータ） (2023-03-05T18:16:34Z) - Sim-to-Real Domain Adaptation for Lane Detection and Classification in
Autonomous Driving [0.0]
教師なしのドメイン適応(UDA)アプローチは低コストで時間を要すると考えられている。
自動走行における車線検出と分類のための逆判別および生成手法を用いたUDAスキームを提案する。
論文 参考訳（メタデータ） (2022-02-15T02:10:14Z) - The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by
Normalization [10.274423413222763]
ドメイン適応は、学習したモデルを、ドメインシフトやデータ分散の変更など、新しいシナリオに適応するために不可欠である。
現在のアプローチは通常、シフトしたドメインから大量のラベル付きまたはラベルなしのデータを必要とする。
本稿では,この問題を解決するために動的教師なし適応(DUA)を提案する。
論文 参考訳（メタデータ） (2021-12-01T12:43:41Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳（メタデータ） (2021-07-23T03:21:51Z) - Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。
そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。
提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
論文 参考訳（メタデータ） (2021-06-07T08:38:41Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - DIRL: Domain-Invariant Representation Learning for Sim-to-Real Transfer [2.119586259941664]
本稿では,ドメイン不変表現学習(DIRL)アルゴリズムを提案する。
桁領域の実験は、挑戦的なベンチマークで最先端のパフォーマンスを得る。
論文 参考訳（メタデータ） (2020-11-15T17:39:01Z) - Unsupervised Domain Adaptation with Multiple Domain Discriminators and
Adaptive Self-Training [22.366638308792734]
Unsupervised Domain Adaptation (UDA)は、ソースドメインでトレーニングされたモデルの一般化能力を改善し、ラベル付きデータが使用できないターゲットドメインでうまく機能することを目的としている。
本稿では、合成データに基づいて訓練されたディープニューラルネットワークを、2つの異なるデータ分布間のドメインシフトに対処する実シーンに適用するアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-27T11:48:03Z)
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。