論文の概要: Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment

• arxiv url: http://arxiv.org/abs/2308.08696v1
• Date: Wed, 16 Aug 2023 22:54:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 18:34:01.924473
• Title: Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment
• Title（参考訳）: 多粒度クロスドメインアライメントによる異常セグメンテーションの改善
• Authors: Ji Zhang, Xiao Wu, Zhi-Qi Cheng, Qi He, Wei Li
• Abstract要約: 異常セグメンテーションは、画像中の異常物体を識別する上で重要な役割を担い、自律運転のための道路異常の検出を容易にする。 既存の手法では, 合成トレーニングデータを用いた異常セグメンテーションでは顕著な結果が得られたが, 合成トレーニングデータと実テストデータとの領域差は無視されることが多い。 このフレームワークは、MDAT(Multi-source Domain Adversarial Training)モジュールと、新しいクロスドメイン異常認識コントラスト学習(CACL)メソッドを組み合わせて、モデルの汎用性を高める。
• 参考スコア（独自算出の注目度）: 17.086123737443714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly segmentation plays a crucial role in identifying anomalous objects within images, which facilitates the detection of road anomalies for autonomous driving. Although existing methods have shown impressive results in anomaly segmentation using synthetic training data, the domain discrepancies between synthetic training data and real test data are often neglected. To address this issue, the Multi-Granularity Cross-Domain Alignment (MGCDA) framework is proposed for anomaly segmentation in complex driving environments. It uniquely combines a new Multi-source Domain Adversarial Training (MDAT) module and a novel Cross-domain Anomaly-aware Contrastive Learning (CACL) method to boost the generality of the model, seamlessly integrating multi-domain data at both scene and sample levels. Multi-source domain adversarial loss and a dynamic label smoothing strategy are integrated into the MDAT module to facilitate the acquisition of domain-invariant features at the scene level, through adversarial training across multiple stages. CACL aligns sample-level representations with contrastive loss on cross-domain data, which utilizes an anomaly-aware sampling strategy to efficiently sample hard samples and anchors. The proposed framework has decent properties of parameter-free during the inference stage and is compatible with other anomaly segmentation networks. Experimental conducted on Fishyscapes and RoadAnomaly datasets demonstrate that the proposed framework achieves state-of-the-art performance.
• Abstract（参考訳）: 異常セグメンテーションは、画像中の異常物体を識別する上で重要な役割を担い、自律運転のための道路異常の検出を容易にする。 既存の手法では, 合成訓練データを用いた異常分割の結果は印象的であるが, 合成訓練データと実際のテストデータとのドメイン間差異は無視されることが多い。 この問題を解決するために、複雑な運転環境における異常セグメンテーションのために、MGCDA(Multi-Granularity Cross-Domain Alignment)フレームワークを提案する。 新しいMDAT(Multi-source Domain Adversarial Training)モジュールと新しいクロスドメイン異常認識コントラスト学習(CACL)メソッドを組み合わせることで、モデルの汎用性を向上し、シーンレベルとサンプルレベルのマルチドメインデータをシームレスに統合する。 MDATモジュールには,複数段階にわたる対戦トレーニングを通じて,シーンレベルでのドメイン不変な特徴の獲得を容易にするため,マルチソースドメインの反転損失と動的ラベル平滑化戦略が組み込まれている。 caclはクロスドメインデータにおけるサンプルレベルの表現と対照的な損失を整合させ、異常対応のサンプリング戦略を利用して、ハードサンプルとアンカーを効率的にサンプリングする。 提案フレームワークは推論段階でパラメータフリーの適度な特性を持ち、他の異常セグメンテーションネットワークと互換性がある。 FishyscapesとRoadAnomalyのデータセットでの実験により、提案したフレームワークが最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
  SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。 総合評価により,SegCLRの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-08T18:10:59Z)
• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
  マルチタスク学習を用いた2相表現学習手法を提案する。 我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。 モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Multi-Granularity Alignment Domain Adaptation for Object Detection [33.32519045960187]
  ドメイン適応型オブジェクト検出は、ソースドメインとターゲットドメインの間に特有のデータ分布があるため、難しい。 ドメイン不変な特徴学習に向けた多粒度アライメントに基づくオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-31T09:05:06Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• 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)
• Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
  セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。 その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
  論文  参考訳（メタデータ） (2020-09-30T04:17:48Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。