論文の概要: Anomaly-Aware Semantic Segmentation via Style-Aligned OoD Augmentation

• arxiv url: http://arxiv.org/abs/2308.09965v1
• Date: Sat, 19 Aug 2023 09:45:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 18:37:05.229383
• Title: Anomaly-Aware Semantic Segmentation via Style-Aligned OoD Augmentation
• Title（参考訳）: Anomaly-Aware Semantic Segmentation by Style-Aligned OoD Augmentation (特集:情報ネットワーク)
• Authors: Dan Zhang, Kaspar Sakmann, William Beluch, Robin Hutmacher, Yumeng Li
• Abstract要約: 我々は、OoDデータと運転シーン間の領域ギャップを減らし、OoD合成プロセスを進める。 本稿では,事前学習したセマンティックセグメンテーションモデルを効果的に誘導し,任意のクラスを生成できないような単純な微調整損失を提案する。
• 参考スコア（独自算出の注目度）: 4.4886641337581885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Within the context of autonomous driving, encountering unknown objects becomes inevitable during deployment in the open world. Therefore, it is crucial to equip standard semantic segmentation models with anomaly awareness. Many previous approaches have utilized synthetic out-of-distribution (OoD) data augmentation to tackle this problem. In this work, we advance the OoD synthesis process by reducing the domain gap between the OoD data and driving scenes, effectively mitigating the style difference that might otherwise act as an obvious shortcut during training. Additionally, we propose a simple fine-tuning loss that effectively induces a pre-trained semantic segmentation model to generate a ``none of the given classes" prediction, leveraging per-pixel OoD scores for anomaly segmentation. With minimal fine-tuning effort, our pipeline enables the use of pre-trained models for anomaly segmentation while maintaining the performance on the original task.
• Abstract（参考訳）: 自動運転のコンテキストでは、オープンワールドでの展開中に未知のオブジェクトに遭遇することは避けられない。 したがって、標準意味セグメンテーションモデルに異常意識を持たせることが重要である。 従来の多くのアプローチでは、この問題に対処するためにOoDデータ拡張を利用した。 本研究では,OoDデータとドライビングシーン間のドメインギャップを低減し,トレーニング中に明らかなショートカットとして機能するスタイル差を効果的に緩和することにより,OoD合成プロセスの進展を図る。 さらに,事前学習したセマンティクスセグメンテーションモデルを効果的に誘導し,与えられたクラスの‘none of the given'予測を生成する単純な微調整損失を提案し,画素単位のoodスコアを異常セグメンテーションに活用する。 最小の微調整作業で、パイプラインは、元のタスクのパフォーマンスを維持しながら、事前訓練されたモデルを異常セグメンテーションに使用することが可能です。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Differentially Private Learning with Per-Sample Adaptive Clipping [8.401653565794353]
  非単調適応重み関数に基づくDP-PSACアルゴリズムを提案する。 DP-PSACは,複数のメインストリームビジョンや言語タスクにおいて,最先端の手法よりも優れ,あるいは適合していることを示す。
  論文  参考訳（メタデータ） (2022-12-01T07:26:49Z)
• Anomaly-Aware Semantic Segmentation by Leveraging Synthetic-Unknown Data [19.80173687261055]
  自律運転のような安全クリティカルな応用には異常認識が不可欠である。 本稿では,異常認識型セマンティックセマンティック・セマンティック・タスクに対処する新しい合成未知データ生成手法を提案する。 2つの異常セグメンテーションデータセットの最先端性能に到達する。
  論文  参考訳（メタデータ） (2021-11-29T06:24:50Z)
• Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
  ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。 これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。 我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
  論文  参考訳（メタデータ） (2021-11-11T15:15:11Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。