論文の概要: BTSeg: Barlow Twins Regularization for Domain Adaptation in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2308.16819v3
• Date: Thu, 12 Sep 2024 07:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 22:36:48.213824
• Title: BTSeg: Barlow Twins Regularization for Domain Adaptation in Semantic Segmentation
• Title（参考訳）: BTSeg: セマンティックセグメンテーションにおけるドメイン適応のためのBarlow Twins正規化
• Authors: Johannes Künzel, Anna Hilsmann, Peter Eisert,
• Abstract要約: セマンティックセグメンテーションモデルを強化した,革新的な半教師付きトレーニング手法であるBTSegを紹介する。 類似した場所で撮影されるが、異なる有害な条件下では、同じシーンの多様体表現と見なされるため、モデルが環境の理解を概念化できる。
• 参考スコア（独自算出の注目度）: 3.5229503563299915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce BTSeg (Barlow Twins regularized Segmentation), an innovative, semi-supervised training approach enhancing semantic segmentation models in order to effectively tackle adverse weather conditions without requiring additional labeled training data. Images captured at similar locations but under varying adverse conditions are regarded as manifold representation of the same scene, thereby enabling the model to conceptualize its understanding of the environment. BTSeg shows cutting-edge performance for the new challenging ACG benchmark and sets a new state-of-the-art for weakly-supervised domain adaptation for the ACDC dataset. To support further research, we have made our code publicly available at https://github.com/fraunhoferhhi/BTSeg .
• Abstract（参考訳）: BTSeg(Barlow Twins regularized Segmentation)は、ラベル付きトレーニングデータを必要としない悪天候を効果的に対処するために、セマンティックセグメンテーションモデルを強化する革新的な半教師付きトレーニング手法である。 類似した場所で撮影されるが、異なる有害な条件下では、同じシーンの多様体表現と見なされるため、モデルが環境の理解を概念化できる。 BTSegは、新しい挑戦的なACGベンチマークの最先端のパフォーマンスを示し、ACDCデータセットの弱教師付きドメイン適応のための新しい最先端技術を設定する。 さらなる研究を支援するため、私たちはhttps://github.com/fraunhoferhhi/BTSegでコードを公開しました。

関連論文リスト

• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Condition-Invariant Semantic Segmentation [77.10045325743644]
  我々は現在最先端のドメイン適応アーキテクチャ上で条件不変セマンティック(CISS)を実装している。 本手法は,通常の都市景観$to$ACDCベンチマークにおいて,2番目に高い性能を実現する。 CISSはBDD100K-nightやACDC-nightのようなトレーニング中に見えない領域によく一般化している。
  論文  参考訳（メタデータ） (2023-05-27T03:05:07Z)
• FREDOM: Fairness Domain Adaptation Approach to Semantic Scene Understanding [27.05038930059941]
  セマンティックシーンにおけるドメイン適応は近年著しく改善されている。 フェアネスは、セグメンテーションモデルを人間関連の現実世界アプリケーションにデプロイする際の最も重要な側面の1つである。 本稿では,FREDOM(Fairness Domain Adaptation)を用いたシーンセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T21:35:10Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Consistency Regularization for Domain Adaptation [17.067348505083327]
  教師なし領域適応(UDA)は、実際の画像にモデルを訓練し適応するために、よりアクセスしやすいデータをどのように利用できるかを研究することで、この問題を解決しようとする。 近年のUDA法は,学生と教師のネットワークを用いた画素単位の分類損失の学習による自己学習を適用している。 本稿では,ネットワークの出力要素間の画素間関係をモデル化し,半教師付きUDAに整合性正規化項を追加することを提案する。
  論文  参考訳（メタデータ） (2022-08-23T17:07:06Z)
• Refign: Align and Refine for Adaptation of Semantic Segmentation to Adverse Conditions [78.71745819446176]
  Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。 Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。 このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
  論文  参考訳（メタデータ） (2022-07-14T11:30:38Z)
• Transfer beyond the Field of View: Dense Panoramic Semantic Segmentation via Unsupervised Domain Adaptation [30.104947024614127]
  パノラマ的セマンティックセグメンテーションのための教師なしドメイン適応のタスクを形式化する。 DensePASSはドメイン横断条件下でのパノラマセグメンテーションのための新しいデータセットである。 P2PDAはPinhole-to-Panoramicセマンティックセグメンテーションのための汎用フレームワークである。
  論文  参考訳（メタデータ） (2021-10-21T11:22:05Z)
• Self-supervised Augmentation Consistency for Adapting Semantic Segmentation [56.91850268635183]
  本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。 私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。 適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
  論文  参考訳（メタデータ） (2021-04-30T21:32:40Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)

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。