論文の概要: Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2303.09779v1
- Date: Fri, 17 Mar 2023 05:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 15:41:56.984538
- Title: Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation
- Title（参考訳）: ドメイン適応意味セグメンテーションのための双方向ドメインミックスアップ
- Authors: Daehan Kim, Minseok Seo, Kwanyong Park, Inkyu Shin, Sanghyun Woo,
In-So Kweon, Dong-Geol Choi
- Abstract要約: 本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。
具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。
フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
- 参考スコア（独自算出の注目度）: 73.3083304858763
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mixup provides interpolated training samples and allows the model to obtain
smoother decision boundaries for better generalization. The idea can be
naturally applied to the domain adaptation task, where we can mix the source
and target samples to obtain domain-mixed samples for better adaptation.
However, the extension of the idea from classification to segmentation (i.e.,
structured output) is nontrivial. This paper systematically studies the impact
of mixup under the domain adaptaive semantic segmentation task and presents a
simple yet effective mixup strategy called Bidirectional Domain Mixup (BDM). In
specific, we achieve domain mixup in two-step: cut and paste. Given the warm-up
model trained from any adaptation techniques, we forward the source and target
samples and perform a simple threshold-based cut out of the unconfident regions
(cut). After then, we fill-in the dropped regions with the other domain region
patches (paste). In doing so, we jointly consider class distribution, spatial
structure, and pseudo label confidence. Based on our analysis, we found that
BDM leaves domain transferable regions by cutting, balances the dataset-level
class distribution while preserving natural scene context by pasting. We
coupled our proposal with various state-of-the-art adaptation models and
observe significant improvement consistently. We also provide extensive
ablation experiments to empirically verify our main components of the
framework. Visit our project page with the code at
https://sites.google.com/view/bidirectional-domain-mixup
- Abstract（参考訳）: Mixupは補間されたトレーニングサンプルを提供し、モデルがよりスムーズな決定境界を得ることができ、より一般化できる。
このアイデアはドメイン適応タスクに自然に適用することができ、ソースとターゲットサンプルを混合してドメイン混合サンプルを得ることができ、適応性を向上させることができる。
しかし、概念の分類からセグメンテーション(すなわち構造化アウトプット)への拡張は非自明である。
本稿では、ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を体系的に研究し、双方向ドメインミキサップ(BDM)と呼ばれる単純なミックスアップ戦略を示す。
具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。
適応手法からトレーニングしたウォームアップモデルを考えると、ソースとターゲットサンプルを転送し、信頼できない領域(カット)から簡単なしきい値ベースのカットを実行する。
その後、ドロップしたリージョンを他のドメイン領域パッチ(ペースト)で埋めます。
そこで我々は,クラス分布,空間構造,擬似ラベルの信頼性を共同で検討する。
分析の結果,BDMはドメイン転送可能な領域を切断し,データセットレベルのクラス分布のバランスを保ちながら,パッティングによる自然なシーンコンテキストを保っていることがわかった。
提案手法を各種の最先端適応モデルと組み合わせ,大幅な改善を継続的に観察した。
フレームワークの主要なコンポーネントを実証的に検証するために、広範なアブレーション実験も行っています。
コードはhttps://sites.google.com/view/bidirectional-domain-mixup。
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) - Compositional Semantic Mix for Domain Adaptation in Point Cloud
Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。
本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-08-28T14:43:36Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Meta-DMoE: Adapting to Domain Shift by Meta-Distillation from
Mixture-of-Experts [33.21435044949033]
既存のほとんどのメソッドは、単一のモデルを使って複数のソースドメインでトレーニングを行います。
本稿では,知識蒸留プロセスとして定式化された非教師なし試験時間適応のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-08T02:28:10Z) - Connecting adversarial attacks and optimal transport for domain
adaptation [116.50515978657002]
ドメイン適応では、ソースドメインのサンプルに基づいてトレーニングされた分類器をターゲットドメインに適応させることが目標である。
提案手法では,最適なトランスポートを用いて,対象のサンプルをソース・フィクションという名前のドメインにマッピングする。
我々の主なアイデアは、ターゲットドメイン上のc-環状モノトン変換によってソースフィクションを生成することである。
論文 参考訳（メタデータ） (2022-05-30T20:45:55Z) - Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。
低信頼度サンプルの処理による新しいコントラスト学習法を提案する。
提案手法を教師なしと半教師付きの両方のDA設定で評価する。
論文 参考訳（メタデータ） (2022-02-06T15:45:45Z) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - 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。