論文の概要: Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching
- arxiv url: http://arxiv.org/abs/2307.16509v1
- Date: Mon, 31 Jul 2023 09:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:09:19.751869
- Title: Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching
- Title(参考訳): ロバストステレオマッチングのための不確実性に基づく擬似ラベルの探索
- Authors: Zhelun Shen, Xibin Song, Yuchao Dai, Dingfu Zhou, Zhibo Rao, Liangjun
Zhang
- Abstract要約: 本稿では,ロバストなステレオマッチングのための不確実性推定法を提案する。
事前学習されたモデルを新しい領域に適応させるために,不確実性に基づく擬似ラベルを提案する。
本手法は,ロバスト・ビジョン・チャレンジ2020のステレオタスクにおいて,強いクロスドメイン,適応,共同一般化を示す。
- 参考スコア(独自算出の注目度): 39.959000340261625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the domain differences and unbalanced disparity distribution across
multiple datasets, current stereo matching approaches are commonly limited to a
specific dataset and generalize poorly to others. Such domain shift issue is
usually addressed by substantial adaptation on costly target-domain
ground-truth data, which cannot be easily obtained in practical settings. In
this paper, we propose to dig into uncertainty estimation for robust stereo
matching. Specifically, to balance the disparity distribution, we employ a
pixel-level uncertainty estimation to adaptively adjust the next stage
disparity searching space, in this way driving the network progressively prune
out the space of unlikely correspondences. Then, to solve the limited ground
truth data, an uncertainty-based pseudo-label is proposed to adapt the
pre-trained model to the new domain, where pixel-level and area-level
uncertainty estimation are proposed to filter out the high-uncertainty pixels
of predicted disparity maps and generate sparse while reliable pseudo-labels to
align the domain gap. Experimentally, our method shows strong cross-domain,
adapt, and joint generalization and obtains \textbf{1st} place on the stereo
task of Robust Vision Challenge 2020. Additionally, our uncertainty-based
pseudo-labels can be extended to train monocular depth estimation networks in
an unsupervised way and even achieves comparable performance with the
supervised methods. The code will be available at
https://github.com/gallenszl/UCFNet.
- Abstract(参考訳): ドメインの違いと複数のデータセット間の不均衡な分散のため、現在のステレオマッチングアプローチは一般的に特定のデータセットに限られ、他のデータセットにはあまり一般化されない。
このようなドメインシフト問題は、通常、実際の環境では簡単には得られない、コストのかかるターゲットドメインの接地データに対する相当な適応によって対処される。
本稿では,ロバストなステレオマッチングのための不確実性推定を提案する。
具体的には、不一致分布のバランスをとるために、次の段不一致探索空間を適応的に調整するために画素レベルの不確実性推定を用いる。
そこで,不確実性に基づく擬似ラベルを新たに導入し,画素レベルと領域レベルの不確かさを推定し,予測された不確かさマップの高不確かさ画素をフィルタリングし,信頼度の高い擬似ラベルを生成して領域ギャップを整列させる手法を提案する。
実験では,強いクロスドメイン,適応,ジョイント・ジェネライゼーションを示し,ロバスト・ヴィジョン・チャレンジ2020のステレオタスクにおいて, \textbf{1st} が得られた。
さらに、不確実性に基づく擬似ラベルを拡張して、教師なしの方法で単眼深度推定ネットワークを訓練し、教師付き手法と同等の性能を達成できる。
コードはhttps://github.com/gallenszl/UCFNetで入手できる。
関連論文リスト
- Domain Adaptive Object Detection via Balancing Between Self-Training and
Adversarial Learning [19.81071116581342]
深層学習に基づく物体検出器は、対象と背景に大きなバリエーションを持つ新しい対象領域に一般化するのに苦労する。
現在の手法では、画像またはインスタンスレベルの対角的特徴アライメントを使用してドメインをアライメントする。
本稿では,モデルの予測不確実性を利用して,対向的特徴アライメントとクラスレベルのアライメントの適切なバランスを打つことを提案する。
論文 参考訳(メタデータ) (2023-11-08T16:40:53Z) - Bi-discriminator Domain Adversarial Neural Networks with Class-Level
Gradient Alignment [87.8301166955305]
そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。
BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。
さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
論文 参考訳(メタデータ) (2023-10-21T09:53:17Z) - Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。
本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文 参考訳(メタデータ) (2022-12-21T18:30:22Z) - Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。
特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。
提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
論文 参考訳(メタデータ) (2021-11-03T11:22:55Z) - Synergizing between Self-Training and Adversarial Learning for Domain
Adaptive Object Detection [11.091890625685298]
本研究では、物体の外観、視点、背景の顕著な変化を示す未確認領域に、訓練対象検出器を適応させることについて検討する。
本稿では,モデル予測の不確実性を利用して,対向的特徴アライメントとクラスレベルのアライメントの適切なバランスを打つことを提案する。
論文 参考訳(メタデータ) (2021-10-01T08:10:00Z) - Tune it the Right Way: Unsupervised Validation of Domain Adaptation via
Soft Neighborhood Density [125.64297244986552]
本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。
私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
論文 参考訳(メタデータ) (2021-08-24T17:41:45Z) - Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection [34.18382705952121]
Unlabelled Domain Adaptive Object Detectionは、ラベル付きソースドメインから監視されていないターゲットドメインへのディテクタの適応を目指している。
対比学習は、ドメイン間のグローバル分布を単に整列させるだけで、整列されたサンプルの整列を損なう可能性があります。
我々は,条件付き逆学習を導入した不確実性認識型ドメイン適応ネットワーク(uadan)を設計した。
論文 参考訳(メタデータ) (2021-02-27T15:04:07Z) - Learning Calibrated Uncertainties for Domain Shift: A Distributionally
Robust Learning Approach [150.8920602230832]
ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。
特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。
提案手法は下流タスクに有利な校正不確実性を生成する。
論文 参考訳(メタデータ) (2020-10-08T02:10:54Z) - Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable
Neural Distribution Alignment [52.02794488304448]
そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。
入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
論文 参考訳(メタデータ) (2020-03-26T22:10:04Z)
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。