論文の概要: Unsupervised Domain Adaptive Detection with Network Stability Analysis
- arxiv url: http://arxiv.org/abs/2308.08182v1
- Date: Wed, 16 Aug 2023 07:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 14:34:20.440674
- Title: Unsupervised Domain Adaptive Detection with Network Stability Analysis
- Title（参考訳）: ネットワーク安定性解析による教師なし領域適応検出
- Authors: Wenzhang Zhou, Heng Fan, Tiejian Luo, Libo Zhang
- Abstract要約: ドメイン適応検出は、ラベル付きソースドメインから学習された、ラベル付きターゲットドメイン上の検出器の一般性を改善することを目的としている。
安定解析による教師なし領域適応検出を実現する新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 20.965986862669016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptive detection aims to improve the generality of a detector,
learned from the labeled source domain, on the unlabeled target domain. In this
work, drawing inspiration from the concept of stability from the control theory
that a robust system requires to remain consistent both externally and
internally regardless of disturbances, we propose a novel framework that
achieves unsupervised domain adaptive detection through stability analysis. In
specific, we treat discrepancies between images and regions from different
domains as disturbances, and introduce a novel simple but effective Network
Stability Analysis (NSA) framework that considers various disturbances for
domain adaptation. Particularly, we explore three types of perturbations
including heavy and light image-level disturbances and instancelevel
disturbance. For each type, NSA performs external consistency analysis on the
outputs from raw and perturbed images and/or internal consistency analysis on
their features, using teacher-student models. By integrating NSA into Faster
R-CNN, we immediately achieve state-of-the-art results. In particular, we set a
new record of 52.7% mAP on Cityscapes-to-FoggyCityscapes, showing the potential
of NSA for domain adaptive detection. It is worth noticing, our NSA is designed
for general purpose, and thus applicable to one-stage detection model (e.g.,
FCOS) besides the adopted one, as shown by experiments.
https://github.com/tiankongzhang/NSA.
- Abstract（参考訳）: 領域適応検出は、ラベル付きソースドメインから学習した検出器の一般性を改善することを目的としている。
本研究は,ロバストなシステムが外的・内部的にも一貫性を保つ必要があるという制御理論から,安定性の概念から着想を得て,安定解析により教師なし領域適応検出を実現する新しい枠組みを提案する。
具体的には、異なるドメインのイメージと領域間の不一致を外乱として扱い、ドメイン適応のための様々な外乱を考慮した、新しい単純かつ効果的なネットワーク安定性分析(nsa)フレームワークを導入する。
特に,重度および軽度画像レベルの乱れとインスタンスレベルの乱れを含む3種類の摂動について検討する。
各タイプについて、NSAは教師学生モデルを用いて、生画像および摂動画像からの出力に関する外部整合性分析および/または内部整合性分析を行う。
NSAをより高速なR-CNNに統合することで、直ちに最先端の成果が得られます。
特に、都市景観からfoggycityscapesへの52.7%の新記録を設定し、ドメイン適応検出のためのnsaの可能性を示した。
我々のNSAは一般的な目的のために設計されており、実験で示されているように、採用されているもの以外の一段階検出モデル(例えばFCOS)に適用できる。
https://github.com/tiankongzhang/nsa。
関連論文リスト
- GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。
最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
論文 参考訳（メタデータ） (2024-02-05T15:25:32Z) - Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via
Edge Concatenation [7.953644697658355]
教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。
本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。
我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
論文 参考訳（メタデータ） (2023-10-11T02:50:16Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Unsupervised Adaptation of Polyp Segmentation Models via Coarse-to-Fine
Self-Supervision [16.027843524655516]
本稿では,アノテートされたソースデータへの依存を解消する,ソースフリードメイン適応(Source-Free Domain Adaptation, SFDA)の実践的問題について検討する。
現在のSFDA法は、ソーストレーニングされたモデルからドメイン知識を抽出することに重点を置いているが、対象ドメインの本質的な構造を無視している。
本稿では,領域レベルと画素レベルの識別表現を粗大な自己超越によって学習する,領域間適応ネットワーク(RPANet)と呼ばれる新しいSFDAフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-13T02:37:08Z) - Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。
本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。
また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文 参考訳（メタデータ） (2023-06-16T18:56:44Z) - DI-NIDS: Domain Invariant Network Intrusion Detection System [9.481792073140204]
コンピュータビジョンなどの様々な応用において、ドメイン適応技術は成功している。
しかし、ネットワーク侵入検出の場合、最先端のドメイン適応アプローチは成功に留まっている。
本稿では,複数のネットワークドメインから対数領域適応を用いて,ドメイン不変な特徴を抽出する。
論文 参考訳（メタデータ） (2022-10-15T10:26:22Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳（メタデータ） (2021-07-23T17:19:23Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN [15.976076198305414]
対象ドメインがラベルに依存しない状態で、ソースドメインがラベルリッチであるドメイン間の格差を低減するために、教師なしドメイン適応オブジェクト検出を提案する。
主ネットと独立補助ネットからなる非対称構造は、本質的に、刺激されたソースリスク崩壊のパラメータを共有することを克服する。
提案したAFF検出器の適応が保証される。
論文 参考訳（メタデータ） (2020-07-03T09:30:18Z)
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。