論文の概要: MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation

• arxiv url: http://arxiv.org/abs/2301.07354v2
• Date: Sat, 8 Jul 2023 08:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 18:55:17.352050
• Title: MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation
• Title（参考訳）: MADAv2: 高度なマルチアンカーベースのアクティブドメイン適応セグメンテーション
• Authors: Munan Ning, Donghuan Lu, Yujia Xie, Dongdong Chen, Dong Wei, Yefeng Zheng, Yonghong Tian, Shuicheng Yan, Li Yuan
• Abstract要約: セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
• 参考スコア（独自算出の注目度）: 98.09845149258972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaption has been widely adopted in tasks with scarce annotated data. Unfortunately, mapping the target-domain distribution to the source-domain unconditionally may distort the essential structural information of the target-domain data, leading to inferior performance. To address this issue, we firstly propose to introduce active sample selection to assist domain adaptation regarding the semantic segmentation task. By innovatively adopting multiple anchors instead of a single centroid, both source and target domains can be better characterized as multimodal distributions, in which way more complementary and informative samples are selected from the target domain. With only a little workload to manually annotate these active samples, the distortion of the target-domain distribution can be effectively alleviated, achieving a large performance gain. In addition, a powerful semi-supervised domain adaptation strategy is proposed to alleviate the long-tail distribution problem and further improve the segmentation performance. Extensive experiments are conducted on public datasets, and the results demonstrate that the proposed approach outperforms state-of-the-art methods by large margins and achieves similar performance to the fully-supervised upperbound, i.e., 71.4% mIoU on GTA5 and 71.8% mIoU on SYNTHIA. The effectiveness of each component is also verified by thorough ablation studies.
• Abstract（参考訳）: 教師なしのドメイン適応は、注釈付きデータの少ないタスクで広く採用されている。 残念なことに、ターゲットドメインの分布をソースドメインに無条件にマッピングすると、ターゲットドメインデータの本質的な構造情報を歪めてしまう可能性があるため、性能は低下する。 この問題に対処するため,まず,セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を提案する。 単一セントロイドの代わりに複数のアンカーを革新的に採用することにより、ソース領域とターゲット領域の両方を、ターゲット領域からより相補的かつ有益なサンプルを選択するマルチモーダル分布として特徴づけることができる。 これらのアクティブなサンプルを手作業でアノテートするワークロードは少ないので、ターゲットドメイン分布の歪みを効果的に軽減することができ、パフォーマンス向上が図れる。 さらに, 長期分布問題を緩和し, さらにセグメンテーション性能を向上させるために, 強力な半教師付きドメイン適応戦略を提案する。 公開データセットで広範な実験を行い,提案手法が最先端手法を大きなマージンで上回り,gta5では71.4%miou,synthiaでは71.8%miouに匹敵する性能を実現することを示した。 それぞれの成分の有効性は、徹底的なアブレーション研究によって検証される。

関連論文リスト

• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Multi-Anchor Active Domain Adaptation for Semantic Segmentation [25.93409207335442]
  教師なしのドメイン適応は、手動アノテーションの集中的なワークロードを軽減する効果的なアプローチであることが証明されている。 本稿では,セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,マルチアンカーベースのアクティブラーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-18T07:33:13Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• 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)
• Domain Adaptation by Class Centroid Matching and Local Manifold Self-Learning [8.316259570013813]
  本稿では,対象領域のデータ分散構造を徹底的に探索できる新しい領域適応手法を提案する。 対象領域内の同一クラスタ内のサンプルを個人ではなく全体とみなし、クラスセントロイドマッチングにより擬似ラベルを対象クラスタに割り当てる。 提案手法の目的関数を理論的収束保証を用いて解くために,効率的な反復最適化アルゴリズムを設計した。
  論文  参考訳（メタデータ） (2020-03-20T16:59:27Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。