論文の概要: Open Compound Domain Adaptation with Object Style Compensation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2309.16127v1
• Date: Thu, 28 Sep 2023 03:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 18:05:02.330823
• Title: Open Compound Domain Adaptation with Object Style Compensation for Semantic Segmentation
• Title（参考訳）: 意味セグメンテーションのためのオブジェクトスタイル補償によるオープン複合ドメイン適応
• Authors: Tingliang Feng, Hao Shi, Xueyang Liu, Wei Feng, Liang Wan, Yanlin Zhou and Di Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.925791263194622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many methods of semantic image segmentation have borrowed the success of open compound domain adaptation. They minimize the style gap between the images of source and target domains, more easily predicting the accurate pseudo annotations for target domain's images that train segmentation network. The existing methods globally adapt the scene style of the images, whereas the object styles of different categories or instances are adapted improperly. This paper proposes the Object Style Compensation, where we construct the Object-Level Discrepancy Memory with multiple sets of discrepancy features. The discrepancy features in a set capture the style changes of the same category's object instances adapted from target to source domains. We learn the discrepancy features from the images of source and target domains, storing the discrepancy features in memory. With this memory, we select appropriate discrepancy features for compensating the style information of the object instances of various categories, adapting the object styles to a unified style of source domain. Our method enables a more accurate computation of the pseudo annotations for target domain's images, thus yielding state-of-the-art results on different datasets.
• Abstract（参考訳）: セマンティクス画像のセグメンテーション手法の多くは、オープンコンプレックス領域適応の成功を借用している。 ソースドメインとターゲットドメインのイメージ間のスタイルギャップを最小限に抑え、セグメンテーションネットワークをトレーニングするターゲットドメインのイメージに対する正確な擬似アノテーションをより容易に予測する。 既存の手法は画像のシーンスタイルをグローバルに適応させるが、異なるカテゴリやインスタンスのオブジェクトスタイルは不適切に適応する。 本稿では,複数の異なる特徴セットを持つオブジェクトレベル離散メモリを構築するObject Style Compensationを提案する。 セット内の不一致機能は、ターゲットからソースドメインに適応した同じカテゴリのオブジェクトインスタンスのスタイル変更をキャプチャする。 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。 このメモリを用いて、様々なカテゴリのオブジェクトインスタンスのスタイル情報を補正し、オブジェクトのスタイルをソースドメインの統一的なスタイルに適応するための適切な相違点を選択する。 本手法により,対象領域の画像に対する擬似アノテーションの計算精度が向上し,異なるデータセットに対して最先端の結果が得られる。

関連論文リスト

• Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
  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ドメイン不変のプロトタイプを学習する。 本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
  論文  参考訳（メタデータ） (2022-08-12T02:21:05Z)
• Bi-directional Contrastive Learning for Domain Adaptive Semantic Segmentation [29.573404843110836]
  ドメイン適応セマンティックセマンティックセグメンテーションの鍵は、ターゲットとなる接地木ラベルなしでドメイン不変性と識別的特徴を学習することである。 本稿では,同じオブジェクトクラスにおける特徴のクラス内変動を最小限に抑える,双方向の画素プロトタイプ型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-22T05:57:54Z)
• Panoptic-based Object Style-Align for Image-to-Image Translation [2.226472061870956]
  本稿では,画像から画像への変換を行うために,パノプティクスに基づくオブジェクトスタイル適応生成ネットワーク(POSA-GAN)を提案する。 提案手法は,異なる競合手法と体系的に比較し,画像の画質とオブジェクト認識性能に大きな改善を加えた。
  論文  参考訳（メタデータ） (2021-12-03T14:28:11Z)
• Disentangled Unsupervised Image Translation via Restricted Information Flow [61.44666983942965]
  多くの最先端のメソッドは、所望の共有vs固有の分割をアーキテクチャにハードコードする。 帰納的アーキテクチャバイアスに依存しない新しい手法を提案する。 提案手法は,2つの合成データセットと1つの自然なデータセットに対して一貫した高い操作精度を実現する。
  論文  参考訳（メタデータ） (2021-11-26T00:27:54Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Memory-guided Unsupervised Image-to-image Translation [54.1903150849536]
  インスタンスレベルの画像から画像への変換のための教師なしのフレームワークを提案する。 我々のモデルは最近のインスタンスレベルの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-12T03:02:51Z)
• DRANet: Disentangling Representation and Adaptation Networks for Unsupervised Cross-Domain Adaptation [23.588766224169493]
  dranetは画像表現を分離し、教師なしのクロスドメイン適応のために潜在空間に視覚属性を転送するネットワークアーキテクチャである。 私たちのモデルは、ソースイメージとターゲットイメージの両方からコンテンツ(シーン構造)とスタイル(芸術的外観)の個々の表現をエンコードします。 変換されたスタイルファクタを、各ドメインに指定された学習可能なウェイトと共にコンテンツファクタに組み込むことで、ドメインに適応する。
  論文  参考訳（メタデータ） (2021-03-24T18:54:23Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• TriGAN: Image-to-Image Translation for Multi-Source Domain Adaptation [82.52514546441247]
  本稿では,ジェネレーティブ・アドバイサル・ネットワークに基づくマルチソース・ドメイン適応(MSDA)の最初のアプローチを提案する。 本手法は,画像の出現がドメイン,スタイル,内容の3つの要因に依存するという観察に着想を得たものである。 提案手法はMSDAベンチマークを用いて試行し,最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:07:22Z)
• 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)

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。