論文の概要: Semantic Human Parsing via Scalable Semantic Transfer over Multiple Label Domains

• arxiv url: http://arxiv.org/abs/2304.04140v1
• Date: Sun, 9 Apr 2023 02:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 17:27:33.216384
• Title: Semantic Human Parsing via Scalable Semantic Transfer over Multiple Label Domains
• Title（参考訳）: 複数のラベルドメイン上でのスケーラブルなセマンティックトランスファーによるセマンティックヒューマンパーシング
• Authors: Jie Yang, Chaoqun Wang, Zhen Li, Junle Wang, Ruimao Zhang
• Abstract要約: 本稿では,強力な人間構文解析ネットワークを学習するための新しい訓練パラダイムを提案する。 2つの一般的なアプリケーションシナリオが対処され、ユニバーサルパースと専用パースと呼ばれる。 実験により、SSTは有望な普遍的パーシング性能を効果的に達成できることを示した。
• 参考スコア（独自算出の注目度）: 25.083197183341007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Scalable Semantic Transfer (SST), a novel training paradigm, to explore how to leverage the mutual benefits of the data from different label domains (i.e. various levels of label granularity) to train a powerful human parsing network. In practice, two common application scenarios are addressed, termed universal parsing and dedicated parsing, where the former aims to learn homogeneous human representations from multiple label domains and switch predictions by only using different segmentation heads, and the latter aims to learn a specific domain prediction while distilling the semantic knowledge from other domains. The proposed SST has the following appealing benefits: (1) it can capably serve as an effective training scheme to embed semantic associations of human body parts from multiple label domains into the human representation learning process; (2) it is an extensible semantic transfer framework without predetermining the overall relations of multiple label domains, which allows continuously adding human parsing datasets to promote the training. (3) the relevant modules are only used for auxiliary training and can be removed during inference, eliminating the extra reasoning cost. Experimental results demonstrate SST can effectively achieve promising universal human parsing performance as well as impressive improvements compared to its counterparts on three human parsing benchmarks (i.e., PASCAL-Person-Part, ATR, and CIHP). Code is available at https://github.com/yangjie-cv/SST.
• Abstract（参考訳）: 本稿では,新しい学習パラダイムであるスケーラブル・セマンティクス・トランスファー(sst)を提案し,異なるラベル領域からのデータの相互利益(すなわち,様々なラベル粒度レベル)を活用し,強力な人間解析ネットワークを訓練する方法を検討する。 実際には、複数のラベルドメインから同質な人間の表現を学習し、異なるセグメンテーションヘッドのみを使用して予測を切り替えることを目的としており、後者は、他のドメインから意味的な知識を蒸留しながら特定のドメイン予測を学習することを目的としている。 提案したSSTは,(1)複数のラベルドメインからの人体部分のセマンティックアソシエーションを人間の表現学習プロセスに組み込む効果的なトレーニングスキームとして機能し,(2)複数のラベルドメインの全体的関係を事前に決めることなく拡張可能なセマンティックトランスファーフレームワークであり,人間のパーシングデータセットを継続的に追加してトレーニングを促進することができる。 3) 関連するモジュールは補助訓練にのみ使用され、推論中に取り除くことができ、余分な推論コストを削減できる。 実験の結果、SSTは有望な普遍的パーシング性能と、3つのヒトパーシングベンチマーク(PASCAL-Person-Part, ATR, CIHP)のベンチマークと比較すると、優れた改善を効果的に達成できることが示された。 コードはhttps://github.com/yangjie-cv/SSTで入手できる。

関連論文リスト

• Semantic Connectivity-Driven Pseudo-labeling for Cross-domain Segmentation [89.41179071022121]
  自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。 本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。 このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
  論文  参考訳（メタデータ） (2023-12-11T12:29:51Z)
• Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
  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ドメイン不変のプロトタイプを学習する。 本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
  論文  参考訳（メタデータ） (2022-08-12T02:21:05Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)
• Unsupervised Domain Adaptation with Implicit Pseudo Supervision for Semantic Segmentation [7.748333539159297]
  我々は、ターゲットドメインに関する新たな補完的知識を学ぶために、暗黙的に生成される擬似ラベルによってモデルを訓練する。 GTA5からCityscapes、SynTHIAからCityscapesタスクへの実験は、提案手法が大幅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） (2022-04-14T04:06:22Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• 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。