論文の概要: Bridging the Sim2Real gap with CARE: Supervised Detection Adaptation
with Conditional Alignment and Reweighting
- arxiv url: http://arxiv.org/abs/2302.04832v1
- Date: Thu, 9 Feb 2023 18:39:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 14:50:59.036223
- Title: Bridging the Sim2Real gap with CARE: Supervised Detection Adaptation
with Conditional Alignment and Reweighting
- Title（参考訳）: CAREによるSim2Realギャップのブリッジ:条件アライメントと再重み付けによる検出適応の改善
- Authors: Viraj Prabhu, David Acuna, Andrew Liao, Rafid Mahmood, Marc T. Law,
Judy Hoffman, Sanja Fidler, James Lucas
- Abstract要約: 条件整合と再重み付けによる条件付きドメイン翻訳(CARE)を提案する。
本稿では,提案アルゴリズムの解析的正当性を示し,標準ベンチマーク上での競合手法よりも強い利得を示す。
- 参考スコア（独自算出の注目度）: 72.75792823726479
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sim2Real domain adaptation (DA) research focuses on the constrained setting
of adapting from a labeled synthetic source domain to an unlabeled or sparsely
labeled real target domain. However, for high-stakes applications (e.g.
autonomous driving), it is common to have a modest amount of human-labeled real
data in addition to plentiful auto-labeled source data (e.g. from a driving
simulator). We study this setting of supervised sim2real DA applied to 2D
object detection. We propose Domain Translation via Conditional Alignment and
Reweighting (CARE) a novel algorithm that systematically exploits target labels
to explicitly close the sim2real appearance and content gaps. We present an
analytical justification of our algorithm and demonstrate strong gains over
competing methods on standard benchmarks.
- Abstract（参考訳）: sim2real domain adaptation (da) 研究はラベル付き合成ソースドメインからラベル付きまたはラベルなしの実対象ドメインへの適応の制約付き設定に焦点を当てている。
しかし、ハイテイクなアプリケーション(例えば、自動運転)では、十分な自動ラベル付きソースデータ(例えば、運転シミュレーターから)に加えて、人間ラベル付き実データが少ないことが一般的である。
本研究では2次元物体検出に応用した教師付きsim2real DAの設定について検討する。
本論文では,sim2現実の外観とコンテンツギャップを明示的に閉じるために,ターゲットラベルを体系的に活用する新しいアルゴリズムである条件付きアライメントと再重み付け(care)によるドメイン翻訳を提案する。
本稿では,提案アルゴリズムの解析的正当性を示し,標準ベンチマーク上での競合手法よりも強い利得を示す。
関連論文リスト
- CTS: Sim-to-Real Unsupervised Domain Adaptation on 3D Detection [16.96201890965781]
本稿では,ラベル付きシミュレーションからラベル付き現実領域へモデルを転送するための新しいフレームワークを提案する。
実験結果から,提案手法は3次元物体検出モデルの実領域適応能力を大幅に向上することが示された。
論文 参考訳（メタデータ） (2024-06-26T07:31:16Z) - Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。
合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文 参考訳（メタデータ） (2024-06-17T08:18:41Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
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。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - QuadFormer: Quadruple Transformer for Unsupervised Domain Adaptation in
Power Line Segmentation of Aerial Images [12.840195641761323]
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新しいフレームワークを提案する。
階層的な四重変圧器は、伝達可能なコンテキストに適応するために、クロスアテンションと自己アテンションのメカニズムを組み合わせる。
ARPLSynとARPLRealの2つのデータセットを提示し、教師なし領域適応電力線分割の研究をさらに進める。
論文 参考訳（メタデータ） (2022-11-29T03:15:27Z) - 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) - Seeking Similarities over Differences: Similarity-based Domain Alignment
for Adaptive Object Detection [86.98573522894961]
本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。
具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。
類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
論文 参考訳（メタデータ） (2021-10-04T13:09:56Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳（メタデータ） (2021-07-23T17:19:23Z) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-10T01:42:35Z) - Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。
これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。
対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
論文 参考訳（メタデータ） (2020-07-08T10:54:21Z)
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。