論文の概要: MILA: Memory-Based Instance-Level Adaptation for Cross-Domain Object Detection

• arxiv url: http://arxiv.org/abs/2309.01086v1
• Date: Sun, 3 Sep 2023 05:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 21:45:51.418458
• Title: MILA: Memory-Based Instance-Level Adaptation for Cross-Domain Object Detection
• Title（参考訳）: MILA:クロスドメインオブジェクト検出のためのメモリベースインスタンスレベル適応
• Authors: Onkar Krishna, Hiroki Ohashi, Saptarshi Sinha
• Abstract要約: クロスドメインオブジェクト検出は困難であり、ラベル付きソースとラベルなしターゲットドメインの整列を伴う。 以前のアプローチでは、画像レベルとインスタンスレベルの両方で機能を整列するために、敵のトレーニングを使用していた。 メモリベースのインスタンスレベルのドメイン適応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）: 6.065007489487584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain object detection is challenging, and it involves aligning labeled source and unlabeled target domains. Previous approaches have used adversarial training to align features at both image-level and instance-level. At the instance level, finding a suitable source sample that aligns with a target sample is crucial. A source sample is considered suitable if it differs from the target sample only in domain, without differences in unimportant characteristics such as orientation and color, which can hinder the model's focus on aligning the domain difference. However, existing instance-level feature alignment methods struggle to find suitable source instances because their search scope is limited to mini-batches. Mini-batches are often so small in size that they do not always contain suitable source instances. The insufficient diversity of mini-batches becomes problematic particularly when the target instances have high intra-class variance. To address this issue, we propose a memory-based instance-level domain adaptation framework. Our method aligns a target instance with the most similar source instance of the same category retrieved from a memory storage. Specifically, we introduce a memory module that dynamically stores the pooled features of all labeled source instances, categorized by their labels. Additionally, we introduce a simple yet effective memory retrieval module that retrieves a set of matching memory slots for target instances. Our experiments on various domain shift scenarios demonstrate that our approach outperforms existing non-memory-based methods significantly.
• Abstract（参考訳）: クロスドメインオブジェクト検出は困難であり、ラベル付きソースとラベルなしターゲットドメインの整列を伴う。 以前のアプローチでは、画像レベルとインスタンスレベルの両方で機能を整列するために、敵のトレーニングを使用していた。 インスタンスレベルでは、ターゲットのサンプルに合致する適切なソースサンプルを見つけることが重要です。 ソースサンプルは、方向や色などの重要でない特徴に違いがなく、ドメイン内でのみターゲットサンプルと異なる場合に適していると考えられており、ドメイン差の調整にモデルが焦点を合わせるのを妨げる可能性がある。 しかし、既存のインスタンスレベルの機能アライメントメソッドは、検索範囲がミニバッチに限定されているため、適切なソースインスタンスを見つけるのに苦労している。 ミニバッチはサイズが小さいため、必ずしも適切なソースインスタンスを含むとは限らない。 ミニバッチの多様性の不足は、特にターゲットインスタンスがクラス内ばらつきが高い場合に問題となる。 この問題に対処するため,メモリベースのインスタンスレベルのドメイン適応フレームワークを提案する。 本手法は、メモリストレージから取得した同一カテゴリの最も類似したソースインスタンスとターゲットインスタンスを一致させる。 具体的には、ラベル付けされたすべてのソースインスタンスのプールされた機能を動的に格納するメモリモジュールを紹介する。 さらに,ターゲットインスタンスにマッチするメモリスロットの集合を検索する,シンプルだが効果的なメモリ検索モジュールを導入する。 様々なドメインシフトシナリオに関する実験により、我々のアプローチが既存の非メモリベースの手法を著しく上回ることを示した。

関連論文リスト

• Open Compound Domain Adaptation with Object Style Compensation for Semantic Segmentation [23.925791263194622]
  本稿では,Object-Level Discrepancy Memoryを構築するObject Style Compensationを提案する。 我々は、ソースドメインとターゲットドメインの画像から相違点の特徴を学習し、相違点の特徴をメモリに格納する。 提案手法は,対象領域の画像に対する疑似アノテーションのより正確な計算を可能にする。
  論文  参考訳（メタデータ） (2023-09-28T03:15:47Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Style Mixing and Patchwise Prototypical Matching for One-Shot Unsupervised Domain Adaptive Semantic Segmentation [21.01132797297286]
  ワンショットの教師なしドメイン適応では、セグメンタはトレーニング中にラベルなしのターゲットイメージを1つしか見ることができない。 このような計算負担を効果的に軽減できるOSUDA法を提案する。 提案手法は,ドメイン適応型セマンティックセグメンテーションのための2つの一般的なベンチマーク上で,最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-09T02:47:46Z)
• Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
  本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。 LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
  論文  参考訳（メタデータ） (2021-06-15T13:10:56Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)
• MiniMax Entropy Network: Learning Category-Invariant Features for Domain Adaptation [29.43532067090422]
  逆学習に基づくMMEN(MiniMax Entropy Networks)と呼ばれる実装が容易な手法を提案する。 ドメイン差に対処するためにジェネレータを使用する既存のアプローチとは異なり、MMENはラベルのないターゲットサンプルからカテゴリ情報を学習することに重点を置いている。
  論文  参考訳（メタデータ） (2019-04-21T13:39:29Z)

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。