論文の概要: STFAR: Improving Object Detection Robustness at Test-Time by
Self-Training with Feature Alignment Regularization
- arxiv url: http://arxiv.org/abs/2303.17937v1
- Date: Fri, 31 Mar 2023 10:04:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:32:36.991121
- Title: STFAR: Improving Object Detection Robustness at Test-Time by
Self-Training with Feature Alignment Regularization
- Title（参考訳）: STFAR: 特徴配向規則化による自己検定によるテスト時の物体検出ロバスト性の向上
- Authors: Yijin Chen, Xun Xu, Yongyi Su, Kui Jia
- Abstract要約: ドメイン適応は、分散シフトを伴うドメインデータをターゲットにするオブジェクト検出モデルを一般化するのに役立ちます。
テスト時,すなわちテスト時適応(TTAOD)におけるオブジェクト検出モデルの適用について検討する。
提案手法は,テスト時間適応オブジェクト検出タスクに最先端を設定できる。
- 参考スコア（独自算出の注目度）: 35.16122933158808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain adaptation helps generalizing object detection models to target domain
data with distribution shift. It is often achieved by adapting with access to
the whole target domain data. In a more realistic scenario, target distribution
is often unpredictable until inference stage. This motivates us to explore
adapting an object detection model at test-time, a.k.a. test-time adaptation
(TTA). In this work, we approach test-time adaptive object detection (TTAOD)
from two perspective. First, we adopt a self-training paradigm to generate
pseudo labeled objects with an exponential moving average model. The pseudo
labels are further used to supervise adapting source domain model. As
self-training is prone to incorrect pseudo labels, we further incorporate
aligning feature distributions at two output levels as regularizations to
self-training. To validate the performance on TTAOD, we create benchmarks based
on three standard object detection datasets and adapt generic TTA methods to
object detection task. Extensive evaluations suggest our proposed method sets
the state-of-the-art on test-time adaptive object detection task.
- Abstract（参考訳）: ドメイン適応は、分散シフトを伴う対象領域データに対するオブジェクト検出モデルを一般化するのに役立つ。
ターゲットドメインデータ全体へのアクセスに適応することで、しばしば達成される。
より現実的なシナリオでは、ターゲット分布は推論段階まで予測できないことが多い。
これは、テスト時、すなわちテスト時適応(TTA)におけるオブジェクト検出モデルの適用を検討する動機となります。
本研究では2つの観点からテスト時間適応オブジェクト検出(TTAOD)を提案する。
まず,指数移動平均モデルを用いて擬似ラベル付きオブジェクトを生成する自己学習パラダイムを採用する。
擬似ラベルはさらに、適応するソースドメインモデルを監視するために使用される。
自己学習は疑似ラベルを誤用しがちであるため,2つの出力レベルの特徴分布を自己学習の正規化として取り入れる。
TTAODの性能を検証するため、3つの標準オブジェクト検出データセットに基づいてベンチマークを作成し、汎用TTAメソッドをオブジェクト検出タスクに適用する。
提案手法は,テスト時間適応オブジェクト検出タスクに最先端を設定できることを示す。
関連論文リスト
- Weakly Supervised Test-Time Domain Adaptation for Object Detection [23.89166024655107]
監視などの応用では、通常は人間のオペレーターがシステムの操作を監督する。
完全自動適応により達成可能な範囲を超えて、オブジェクト検出の性能を高めるために、テスト時間領域適応に演算子を関与させることを提案する。
提案手法は既存の手法よりも優れており, ループ内テスト時間領域適応の優れた利点を示す。
論文 参考訳（メタデータ） (2024-07-08T04:44:42Z) - What, How, and When Should Object Detectors Update in Continually
Changing Test Domains? [34.13756022890991]
テストデータを推測しながらモデルをオンラインに適応させるテスト時適応アルゴリズムが提案されている。
連続的に変化するテスト領域におけるオブジェクト検出のための新しいオンライン適応手法を提案する。
提案手法は,広く使用されているベンチマークのベースラインを超え,最大4.9%,mAP7.9%の改善を実現している。
論文 参考訳（メタデータ） (2023-12-12T07:13:08Z) - TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation [86.80589902825196]
TTA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のためのテスト時間適応法を提案する。
ポーズ認識信頼度を用いて、自己学習損失を伴うポーズアンサンブルアプローチを設計する。
当社のアプローチでは,テストデータを逐次的かつオンライン的に処理し,実行時にソースドメインにアクセスする必要はない。
論文 参考訳（メタデータ） (2023-03-29T14:34:54Z) - D2DF2WOD: Learning Object Proposals for Weakly-Supervised Object
Detection via Progressive Domain Adaptation [25.41133780678981]
D2DF2WODは完全な監視対象検出フレームワークである。
自然なイメージターゲットドメインを補うために、正確なオブジェクトローカライゼーションを付加した合成データを使用する。
提案手法は,最先端手法と比較してオブジェクト検出と局所化を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-02T18:58:03Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳（メタデータ） (2022-06-01T03:02:07Z) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Interactron: Embodied Adaptive Object Detection [18.644357684104662]
インタラクティブな環境下での適応オブジェクト検出手法であるInteractronを提案する。
私たちの考えは、推論中のトレーニングを継続し、環境との対話を通じて明確な監督なしに、テスト時にモデルを適応させることです。
論文 参考訳（メタデータ） (2022-02-01T18:56:14Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳（メタデータ） (2021-04-16T21:35:08Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z)
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。