論文の概要: Generalized Semantic Segmentation by Self-Supervised Source Domain
Projection and Multi-Level Contrastive Learning
- arxiv url: http://arxiv.org/abs/2303.01906v1
- Date: Fri, 3 Mar 2023 13:07:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 15:06:01.356905
- Title: Generalized Semantic Segmentation by Self-Supervised Source Domain
Projection and Multi-Level Contrastive Learning
- Title(参考訳): 自己教師付きソースドメイン投影とマルチレベルコントラスト学習による汎用セマンティックセマンティックセグメンテーション
- Authors: Liwei Yang, Xiang Gu, Jian Sun
- Abstract要約: ソースドメインでトレーニングされたディープネットワークは、未確認のターゲットドメインデータでテストした場合、パフォーマンスが低下している。
汎用セマンティックセグメンテーションのためのドメイン・プロジェクションとコントラシブ・ラーニング(DPCL)手法を提案する。
- 参考スコア(独自算出の注目度): 79.0660895390689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep networks trained on the source domain show degraded performance when
tested on unseen target domain data. To enhance the model's generalization
ability, most existing domain generalization methods learn domain invariant
features by suppressing domain sensitive features. Different from them, we
propose a Domain Projection and Contrastive Learning (DPCL) approach for
generalized semantic segmentation, which includes two modules: Self-supervised
Source Domain Projection (SSDP) and Multi-level Contrastive Learning (MLCL).
SSDP aims to reduce domain gap by projecting data to the source domain, while
MLCL is a learning scheme to learn discriminative and generalizable features on
the projected data. During test time, we first project the target data by SSDP
to mitigate domain shift, then generate the segmentation results by the learned
segmentation network based on MLCL. At test time, we can update the projected
data by minimizing our proposed pixel-to-pixel contrastive loss to obtain
better results. Extensive experiments for semantic segmentation demonstrate the
favorable generalization capability of our method on benchmark datasets.
- Abstract(参考訳): ソースドメインでトレーニングされたディープネットワークは、未取得のターゲットドメインデータでテストされた場合、パフォーマンスが低下する。
モデルの一般化能力を高めるために、既存のドメイン一般化手法のほとんどは、ドメインに敏感な特徴を抑制してドメイン不変特徴を学習する。
それらとは違って,汎用セマンティックセグメンテーションのためのドメイン・プロジェクション・コントラシブ・ラーニング(DPCL)アプローチを提案し,これには自己監督的ソース・ドメイン・プロジェクション(SSDP)とマルチレベル・コントラシブ・ラーニング(MLCL)という2つのモジュールが含まれる。
SSDPは、データをソースドメインに投影することで、ドメインギャップを低減することを目的としており、MLCLは、投影されたデータ上で差別的で一般化可能な機能を学ぶための学習スキームである。
テスト期間中、まずSSDPによってターゲットデータを投影し、ドメインシフトを緩和し、MLCLに基づいて学習セグメンテーションネットワークによってセグメンテーション結果を生成する。
テスト時には、提案した画素対画素のコントラスト損失を最小限に抑え、より優れた結果を得る。
セマンティックセグメンテーションのための大規模な実験は、ベンチマークデータセット上での手法の好適な一般化能力を示す。
関連論文リスト
- Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。
総合評価により,SegCLRの優れた性能を示す。
論文 参考訳(メタデータ) (2024-05-08T18:10:59Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。
SSDAのための多レベル一貫性学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-09T06:41:18Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Semi-supervised Domain Adaptation for Semantic Segmentation [3.946367634483361]
セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。
提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-10-20T16:13:00Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳(メタデータ) (2020-09-30T04:17:48Z) - Discrepancy Minimization in Domain Generalization with Generative
Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。
シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。
本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文 参考訳(メタデータ) (2020-07-28T14:54:25Z) - 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。