論文の概要: FedDrive v2: an Analysis of the Impact of Label Skewness in Federated Semantic Segmentation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2309.13336v2
• Date: Thu, 12 Oct 2023 10:24:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-15 15:07:38.378194
• Title: FedDrive v2: an Analysis of the Impact of Label Skewness in Federated Semantic Segmentation for Autonomous Driving
• Title（参考訳）: FedDrive v2: 自動運転のためのフェデレーションセマンティックセグメンテーションにおけるラベルスキューネスの影響の分析
• Authors: Eros Fan\`i, Marco Ciccone and Barbara Caputo
• Abstract要約: 我々は,自動運転におけるセマンティックのフェデレート学習ベンチマークであるFedDrive v2を提案する。 最初のバージョンは、クライアント間での視覚的特徴のドメインシフトの効果を研究することを目的としているが、本研究では、ラベルの分布歪に焦点を当てる。 そこで本研究では,ラベルスキューネスがセグメンテーションモデルの性能に与える影響を6つの新しいシナリオで検証し,ドメインシフトの影響と比較する。
• 参考スコア（独自算出の注目度）: 26.99151955856939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose FedDrive v2, an extension of the Federated Learning benchmark for Semantic Segmentation in Autonomous Driving. While the first version aims at studying the effect of domain shift of the visual features across clients, in this work, we focus on the distribution skewness of the labels. We propose six new federated scenarios to investigate how label skewness affects the performance of segmentation models and compare it with the effect of domain shift. Finally, we study the impact of using the domain information during testing. Official website: https://feddrive.github.io
• Abstract（参考訳）: 我々は,自動運転におけるセマンティックセグメンテーションのためのフェデレーション学習ベンチマークであるFedDrive v2を提案する。 最初のバージョンは、クライアント間での視覚的特徴のドメインシフトの効果を研究することを目的としているが、本研究では、ラベルの分布歪に焦点を当てる。 そこで本研究では,ラベルスキューネスがセグメンテーションモデルの性能に与える影響を検証し,ドメインシフトの効果と比較する6つの新しいフェデレーションシナリオを提案する。 最後に、テスト中のドメイン情報の利用の影響について検討する。 公式ウェブサイト: https://feddrive.github.io

関連論文リスト

• DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
  DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。 これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。 このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
  論文  参考訳（メタデータ） (2024-02-03T06:49:42Z)
• Fake it, Mix it, Segment it: Bridging the Domain Gap Between Lidar Sensors [0.966840768820136]
  ライダーセグメンテーションのための最高のニューラルネットワークは、特定のデータセットに微調整される。 新しいセンサーから注釈付きデータのセットを 再トレーニングせずにライダーセンサーを切り替えると ドメインシフトが発生する そこで我々は,注釈付きパノプティカル・ライダー・データセットを用いて,異なるライダー・センサの構造に記録されたシーンを再現するライダー・ドメイン適応法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T14:57:13Z)
• Influence Functions for Sequence Tagging Models [49.81774968547377]
  影響関数を拡張して、予測を学習ポイントまで追跡し、それらに通知します。 本手法を用いて,系統的アノテーションの誤りを同定し,セグメント効果の実用性を示す。
  論文  参考訳（メタデータ） (2022-10-25T17:13:11Z)
• DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
  セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。 我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。 我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
  論文  参考訳（メタデータ） (2022-07-20T15:47:34Z)
• FedDrive: Generalizing Federated Learning to Semantic Segmentation in Autonomous Driving [27.781734303644516]
  フェデレートラーニングは、プライバシを保持し、何百万ものリモートデバイス上のデータを活用しながら、グローバルモデルを学ぶことを目的としている。 3つの設定と2つのデータセットからなる新しいベンチマークであるFedDriveを提案する。 我々は、詳細な分析を通じて、フェデレートされた学習文献から最先端のアルゴリズムをベンチマークする。
  論文  参考訳（メタデータ） (2022-02-28T10:34:31Z)
• Wiki to Automotive: Understanding the Distribution Shift and its impact on Named Entity Recognition [0.0]
  転送学習は、Automotiveのようなニッチドメインのテキストで事前訓練されたモデルのパフォーマンスを再現できないことが多い。 我々は、モデルによる強力な語彙、構文、意味的理解を必要とするため、名前付きエンティティ認識(NER)タスクの実行に注力する。 言語モデルを自動車のドメインテキストで微調整することは、NERの性能を大幅に改善することはなかった。
  論文  参考訳（メタデータ） (2021-12-01T05:13:47Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Cross-Domain Label-Adaptive Stance Detection [32.800766653254634]
  距離検出は、ターゲットに対する作家の視点の分類に関するものである。 本稿では,16のスタンス検出データセットの詳細な分析を行う。 ユーザ定義ラベルの領域外予測のためのエンドツーエンドの非監視フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-15T14:04:29Z)
• Robust wav2vec 2.0: Analyzing Domain Shift in Self-Supervised Pre-Training [67.71228426496013]
  事前トレーニング中にターゲットドメインデータを使用することで,さまざまなセットアップで大幅なパフォーマンス向上が期待できる。 複数のドメインで事前トレーニングを行うことで、トレーニング中に見られないドメインのパフォーマンスの一般化が向上します。
  論文  参考訳（メタデータ） (2021-04-02T12:53:15Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)

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。