論文の概要: CoMaL: Conditional Maximum Likelihood Approach to Self-supervised Domain Adaptation in Long-tail Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2304.07372v1
• Date: Fri, 14 Apr 2023 20:06:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 19:31:55.661349
• Title: CoMaL: Conditional Maximum Likelihood Approach to Self-supervised Domain Adaptation in Long-tail Semantic Segmentation
• Title（参考訳）: CoMaL:Long-tail Semantic Segmentationにおける自己教師付きドメイン適応のための条件付き最大近似アプローチ
• Authors: Thanh-Dat Truong, Chi Nhan Duong, Pierce Helton, Ashley Dowling, Xin Li, Khoa Luu
• Abstract要約: 長い尾のセマンティックセマンティックセグメンテーションに取り組むために,新しい自己教師付きドメイン適応手法を提案する。 セグメンテーション問題におけるロングテール領域適応を定式化するために、新しい計量法が導入された。 自己回帰フレームワークにおける新しい最大条件類似(CoMaL)アプローチを提案し,その問題を解決する。
• 参考スコア（独自算出の注目度）: 16.18345411770557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The research in self-supervised domain adaptation in semantic segmentation has recently received considerable attention. Although GAN-based methods have become one of the most popular approaches to domain adaptation, they have suffered from some limitations. They are insufficient to model both global and local structures of a given image, especially in small regions of tail classes. Moreover, they perform bad on the tail classes containing limited number of pixels or less training samples. In order to address these issues, we present a new self-supervised domain adaptation approach to tackle long-tail semantic segmentation in this paper. Firstly, a new metric is introduced to formulate long-tail domain adaptation in the segmentation problem. Secondly, a new Conditional Maximum Likelihood (CoMaL) approach in an autoregressive framework is presented to solve the problem of long-tail domain adaptation. Although other segmentation methods work under the pixel independence assumption, the long-tailed pixel distributions in CoMaL are generally solved in the context of structural dependency, as that is more realistic. Finally, the proposed method is evaluated on popular large-scale semantic segmentation benchmarks, i.e., "SYNTHIA to Cityscapes" and "GTA to Cityscapes", and outperforms the prior methods by a large margin in both the standard and the proposed evaluation protocols.
• Abstract（参考訳）: 近年,セマンティックセグメンテーションにおける自己教師付きドメイン適応の研究が注目されている。 GANベースの手法は、ドメイン適応の最も一般的なアプローチの1つとなっているが、いくつかの制限に悩まされている。 与えられた画像のグローバルな構造と局所的な構造の両方をモデル化するには不十分である。 さらに、限られたピクセル数以下のトレーニングサンプルを含むテールクラスでは、パフォーマンスが悪くなる。 本稿では,これらの問題に対処するために,ロングテールセマンティクスセグメンテーションに取り組むための新しい自己教師付きドメイン適応手法を提案する。 まず、セグメント化問題における長テール領域適応を定式化するために新しい計量を導入する。 第二に, 自己回帰フレームワークにおける条件付き最大等化(CoMaL)アプローチが提案され, 長期領域適応の課題が解決された。 他のセグメンテーション手法はピクセル独立の仮定の下で機能するが、comalにおける長テールの画素分布は、より現実的な構造依存性の文脈で一般に解決される。 最後に,提案手法を大規模セマンティックセグメンテーションのベンチマーク,すなわち「都市景観へのSYNTHIA」と「都市景観へのGTA」で評価し,従来の手法を標準と評価プロトコルの双方において大きなマージンで上回っている。

関連論文リスト

• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Unsupervised Domain Adaptation for Cardiac Segmentation: Towards Structure Mutual Information Maximization [0.8959391124399926]
  教師なし領域適応アプローチは、様々な医用画像分割タスクに成功している。 UDA-VAE++は、コンパクトな損失関数を下限とする心臓セグメンテーションのための教師なしドメイン適応フレームワークである。 我々のモデルは、過去の最先端の質的、定量的に優れている。
  論文  参考訳（メタデータ） (2022-04-20T09:10:18Z)
• Shallow Features Guide Unsupervised Domain Adaptation for Semantic Segmentation at Class Boundaries [21.6953660626021]
  ディープニューラルネットワークは、合成から現実への適応を行う際に、新しいドメインに対して一般化することができない。 本研究では,より鋭い予測を得られるような,新しい低レベル適応戦略を提案する。 また、自己学習に擬似ラベルを用いる場合、意味境界に典型的なノイズを緩和する効果的なデータ拡張も導入する。
  論文  参考訳（メタデータ） (2021-10-06T15:05:48Z)
• Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
  提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。 私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
  論文  参考訳（メタデータ） (2021-07-28T03:46:57Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
  ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。 私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
  論文  参考訳（メタデータ） (2021-04-22T13:39:12Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• Domain Adaptation in LiDAR Semantic Segmentation by Aligning Class Distributions [9.581605678437032]
  この研究は、LiDARセマンティックセグメンテーションモデルに対する教師なしドメイン適応の問題に対処する。 我々のアプローチは、現在の最先端のアプローチの上に新しいアイデアを結合し、新しい最先端の成果をもたらす。
  論文  参考訳（メタデータ） (2020-10-23T08:52:15Z)

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。