論文の概要: I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2301.01149v1
- Date: Tue, 3 Jan 2023 15:19:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 14:50:31.997372
- Title: I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation
- Title（参考訳）: I2F:ドメイン適応セマンティックセマンティックセグメンテーションのための統合画像-機能アプローチ
- Authors: Haoyu Ma and Xiangru Lin and Yizhou Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.633859439375044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation (UDA) for semantic segmentation is a promising
task freeing people from heavy annotation work. However, domain discrepancies
in low-level image statistics and high-level contexts compromise the
segmentation performance over the target domain. A key idea to tackle this
problem is to perform both image-level and feature-level adaptation jointly.
Unfortunately, there is a lack of such unified approaches for UDA tasks in the
existing literature. This paper proposes a novel UDA pipeline for semantic
segmentation that unifies image-level and feature-level adaptation. Concretely,
for image-level domain shifts, we propose a global photometric alignment module
and a global texture alignment module that align images in the source and
target domains in terms of image-level properties. For feature-level domain
shifts, we perform global manifold alignment by projecting pixel features from
both domains onto the feature manifold of the source domain; and we further
regularize category centers in the source domain through a category-oriented
triplet loss and perform target domain consistency regularization over
augmented target domain images. Experimental results demonstrate that our
pipeline significantly outperforms previous methods. In the commonly tested
GTA5$\rightarrow$Cityscapes task, our proposed method using Deeplab V3+ as the
backbone surpasses previous SOTA by 8%, achieving 58.2% in mIoU.
- Abstract（参考訳）: 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。
しかし、低レベル画像統計と高レベルコンテキストにおけるドメインの差異は、対象領域に対するセグメンテーション性能を損なう。
この問題に対処する鍵となる考え方は、画像レベルと特徴レベルの両方を共同で行うことである。
残念ながら、既存の文献には、UDAタスクに対する統一的なアプローチが欠けている。
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。
具体的には,画像レベルの領域シフトに対して,画像レベル特性の観点からソース領域とターゲット領域の画像をアライメントするグローバル測光アライメントモジュールとグローバルテクスチャアライメントモジュールを提案する。
特徴レベルドメインシフトでは、両方のドメインからソースドメインの特徴多様体に画素特徴を投影することで、グローバルな多様体アライメントを行い、さらにカテゴリ指向の3重項損失によりソースドメイン内のカテゴリ中心を正規化し、拡張対象領域画像上でターゲット領域整合性正規化を行う。
実験の結果,パイプラインが従来の方法を大きく上回ることがわかった。
一般にテストされているGTA5$\rightarrow$Cityscapesタスクでは、バックボーンとしてDeeplab V3+を用いた手法が従来のSOTAを8%上回り、mIoUで58.2%を達成した。
関連論文リスト
- Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation [40.667166043101076]
多様なターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを提案する。
アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。
提案手法は,ドメイン間複数ショットセマンティックセマンティックセグメンテーションタスクにおいて有望な結果を得る。
論文 参考訳（メタデータ） (2024-04-16T07:07:40Z) - FPL+: Filtered Pseudo Label-based Unsupervised Cross-Modality Adaptation for 3D Medical Image Segmentation [14.925162565630185]
医用画像分割のための拡張フィルタ擬似ラベル (FPL+) を用いたUnsupervised Domain Adaptation (UDA) 手法を提案する。
まず、ソースドメイン内のラベル付き画像を、擬似ソースドメインセットと擬似ターゲットドメインセットからなる二重ドメイントレーニングセットに変換するために、クロスドメインデータ拡張を使用する。
次に、ラベル付きソースドメインイメージとターゲットドメインイメージを擬似ラベルと組み合わせて最終セグメンタを訓練し、不確実性推定に基づく画像レベルの重み付けとデュアルドメインのコンセンサスに基づく画素レベルの重み付けを提案し、ノイズのある擬似の悪影響を軽減する。
論文 参考訳（メタデータ） (2024-04-07T14:21:37Z) - Unsupervised Domain Adaptation for Semantic Segmentation using One-shot
Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
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。
論文 参考訳（メタデータ） (2022-12-07T18:16:17Z) - Edge-preserving Domain Adaptation for semantic segmentation of Medical
Images [0.0]
ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。
本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。
2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
論文 参考訳（メタデータ） (2021-11-18T18:14:33Z) - DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic
Segmentation [97.74059510314554]
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、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。
既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。
本稿では,新しいDual Soft-Paste (DSP)法を提案する。
論文 参考訳（メタデータ） (2021-07-20T16:22:40Z) - Semantic Distribution-aware Contrastive Adaptation for Semantic
Segmentation [50.621269117524925]
ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。
画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。
複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
論文 参考訳（メタデータ） (2021-05-11T13:21:25Z) - Coarse-to-Fine Domain Adaptive Semantic Segmentation with Photometric
Alignment and Category-Center Regularization [42.25246413410471]
画像レベルのアライメントとカテゴリレベルの特徴分布の正規化を粗い方法で統一する新しいUDAパイプラインを提案する。
実験の結果,提案するパイプラインは最終セグメンテーションモデルの一般化能力を向上させることがわかった。
論文 参考訳（メタデータ） (2021-03-24T08:04:08Z) - 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) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。