論文の概要: FREDOM: Fairness Domain Adaptation Approach to Semantic Scene
Understanding
- arxiv url: http://arxiv.org/abs/2304.02135v1
- Date: Tue, 4 Apr 2023 21:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 14:06:19.699473
- Title: FREDOM: Fairness Domain Adaptation Approach to Semantic Scene
Understanding
- Title（参考訳）: fredom: フェアネス領域適応アプローチによる意味的シーン理解
- Authors: Thanh-Dat Truong, Ngan Le, Bhiksha Raj, Jackson Cothren, Khoa Luu
- Abstract要約: セマンティックシーンにおけるドメイン適応は近年著しく改善されている。
フェアネスは、セグメンテーションモデルを人間関連の現実世界アプリケーションにデプロイする際の最も重要な側面の1つである。
本稿では,FREDOM(Fairness Domain Adaptation)を用いたシーンセグメンテーション手法を提案する。
- 参考スコア（独自算出の注目度）: 27.05038930059941
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although Domain Adaptation in Semantic Scene Segmentation has shown
impressive improvement in recent years, the fairness concerns in the domain
adaptation have yet to be well defined and addressed. In addition, fairness is
one of the most critical aspects when deploying the segmentation models into
human-related real-world applications, e.g., autonomous driving, as any unfair
predictions could influence human safety. In this paper, we propose a novel
Fairness Domain Adaptation (FREDOM) approach to semantic scene segmentation. In
particular, from the proposed formulated fairness objective, a new adaptation
framework will be introduced based on the fair treatment of class
distributions. Moreover, to generally model the context of structural
dependency, a new conditional structural constraint is introduced to impose the
consistency of predicted segmentation. Thanks to the proposed Conditional
Structure Network, the self-attention mechanism has sufficiently modeled the
structural information of segmentation. Through the ablation studies, the
proposed method has shown the performance improvement of the segmentation
models and promoted fairness in the model predictions. The experimental results
on the two standard benchmarks, i.e., SYNTHIA $\to$ Cityscapes and GTA5 $\to$
Cityscapes, have shown that our method achieved State-of-the-Art (SOTA)
performance.
- Abstract（参考訳）: セマンティックシーンセグメンテーションにおけるドメイン適応は近年顕著に改善されているが、ドメイン適応の公平性に関する懸念は十分に定義されておらず、対処されていない。
加えて、公平性は、例えば、不公平な予測が人間の安全に影響を与える可能性があるとして、セグメント化モデルを人間関連の現実世界のアプリケーションにデプロイする際の最も重要な側面の1つである。
本稿では,意味的シーンセグメンテーションに対する新しいフェアネス領域適応(fredom)手法を提案する。
特に,提案した定式化フェアネス目標から,クラス分布の公平な処理に基づいて,新たな適応フレームワークを導入する。
さらに、一般に構造依存の文脈をモデル化するために、予測セグメンテーションの一貫性を課すために、新しい条件構造制約を導入する。
提案する条件構造ネットワークにより, 自己付着機構はセグメント化の構造情報を十分にモデル化した。
アブレーション研究を通じて,提案手法はセグメント化モデルの性能向上とモデル予測における公平性の促進を示す。
SYTHIA $\to$ Cityscapes と GTA5 $\to$ Cityscapes という2つの標準ベンチマークの実験結果から,本手法が State-of-the-Art (SOTA) の性能を達成したことが示された。
関連論文リスト
- Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。
WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。
本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
論文 参考訳（メタデータ） (2024-04-18T08:23:24Z) - Prompting Diffusion Representations for Cross-Domain Semantic
Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。
本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文 参考訳（メタデータ） (2023-07-05T09:28:25Z) - Conditional Support Alignment for Domain Adaptation with Label Shift [8.819673391477034]
アンラベルド・ドメイン適応(アンラベルド・ドメイン・アダプティブ、Unlabelled Domain adapt、UDA)とは、学習モデルを、ソース・ドメインのラベル付きサンプルと対象ドメインの教師なしサンプルに基づいて訓練するドメイン適応フレームワークである。
本稿では,対象領域の特徴表現分布に対する条件対称的サポートのばらつきを最小限に抑えることを目的とした,新しい条件逆サポートアライメント(CASA)を提案する。
論文 参考訳（メタデータ） (2023-05-29T05:20:18Z) - Condition-Invariant Semantic Segmentation [77.10045325743644]
我々は現在最先端のドメイン適応アーキテクチャ上で条件不変セマンティック(CISS)を実装している。
本手法は,通常の都市景観$to$ACDCベンチマークにおいて,2番目に高い性能を実現する。
CISSはBDD100K-nightやACDC-nightのようなトレーニング中に見えない領域によく一般化している。
論文 参考訳（メタデータ） (2023-05-27T03:05:07Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳（メタデータ） (2023-03-05T18:16:34Z) - Unsupervised Domain Adaptation for Semantic Segmentation via Low-level
Edge Information Transfer [27.64947077788111]
セマンティックセグメンテーションのための教師なしドメイン適応は、合成データに基づいて訓練されたモデルを実際の画像に適応させることを目的としている。
従来の特徴レベルの対数学習手法は、高レベルの意味的特徴に適応するモデルのみを考慮していた。
本稿では,ドメイン間ギャップが小さい低レベルエッジ情報を明示的に利用して意味情報の伝達をガイドする試みについて紹介する。
論文 参考訳（メタデータ） (2021-09-18T11:51:31Z) - Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。
そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。
提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
論文 参考訳（メタデータ） (2021-06-07T08:38:41Z) - Self-supervised Augmentation Consistency for Adapting Semantic
Segmentation [56.91850268635183]
本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。
私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。
適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
論文 参考訳（メタデータ） (2021-04-30T21:32:40Z) - Exploiting Diverse Characteristics and Adversarial Ambivalence for
Domain Adaptive Segmentation [20.13548631627542]
新しいドメインにセマンティックセグメンテーションモデルを適用することは重要だが難しい問題だ。
特殊なプログレッシブな敵対的トレーニング機構と新しい自己訓練政策によって強化された条件付き適応フレームワークを提案する。
対象の画像が気象条件によって異なる様々な適応シナリオに対して,本手法を評価する。
論文 参考訳（メタデータ） (2020-12-10T11:50:59Z) - Shape Consistent 2D Keypoint Estimation under Domain Shift [35.15266729401601]
ドメインシフトの下でキーポイントを推定するための新しい深層適応フレームワークを提案する。
本手法は,機能アライメント,対人訓練,自己超越という3つの構成要素をシームレスに結合する。
提案手法は,2次元キーポイント予測タスクにおける最先端領域適応手法より優れている。
論文 参考訳（メタデータ） (2020-08-04T14:32:06Z) - Fairness by Explicability and Adversarial SHAP Learning [0.0]
本稿では,外部監査役の役割とモデル説明可能性を強調するフェアネスの新たな定義を提案する。
逆代理モデルのSHAP値から構築した正規化を用いてモデルバイアスを緩和するフレームワークを開発する。
合成データセット、UCIアダルト(国勢調査)データセット、実世界の信用評価データセットである。
論文 参考訳（メタデータ） (2020-03-11T14:36:34Z)
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。