論文の概要: Semi- and Weakly-Supervised Domain Generalization for Object Detection
- arxiv url: http://arxiv.org/abs/2310.19351v1
- Date: Mon, 30 Oct 2023 08:46:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 21:10:58.591336
- Title: Semi- and Weakly-Supervised Domain Generalization for Object Detection
- Title(参考訳): 物体検出のための半教師あり領域一般化
- Authors: Ryosuke Furuta, Yoichi Sato
- Abstract要約: 半教師付きドメイン一般化オブジェクト検出(SS-DGOD)と弱い教師付きDGOD(WS-DGOD)の2つの新しい問題設定を提案する。
複数のドメインからのラベル付きデータを必要とする従来のドメインの一般化とは対照的に、SS-DGODとWS-DGODは1つのドメインからのみラベル付きデータを必要とし、トレーニングのために複数のドメインからラベル付きまたは弱いラベル付きデータを必要とする。
- 参考スコア(独自算出の注目度): 21.06549092799777
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detectors do not work well when domains largely differ between
training and testing data. To solve this problem, domain generalization
approaches, which require training data with ground-truth labels from multiple
domains, have been proposed. However, it is time-consuming and labor-intensive
to collect those data for object detection because not only class labels but
also bounding boxes must be annotated. To overcome the problem of domain gap in
object detection without requiring expensive annotations, we propose to
consider two new problem settings: semi-supervised domain generalizable object
detection (SS-DGOD) and weakly-supervised DGOD (WS-DGOD). In contrast to the
conventional domain generalization for object detection that requires labeled
data from multiple domains, SS-DGOD and WS-DGOD require labeled data only from
one domain and unlabeled or weakly-labeled data from multiple domains for
training. We show that object detectors can be effectively trained on the
proposed settings with the same student-teacher learning framework, where a
student network is trained with pseudo labels output from a teacher on the
unlabeled or weakly-labeled data. The experimental results demonstrate that the
object detectors trained on the proposed settings significantly outperform
baseline detectors trained on one labeled domain data and perform comparably to
or better than those trained on unsupervised domain adaptation (UDA) settings,
while ours do not use target domain data for training in contrast to UDA.
- Abstract(参考訳): トレーニングとテストデータでドメインが大きく異なる場合、オブジェクト検出器はうまく動作しない。
この問題を解決するために,複数の領域の接地ラベルを用いたトレーニングデータを必要とする領域一般化手法が提案されている。
しかし、クラスラベルだけでなく、バウンディングボックスにも注釈を付けなければならないため、オブジェクト検出のためにこれらのデータを集めるのに時間と労力がかかります。
高価なアノテーションを必要とせずに、オブジェクト検出におけるドメインギャップを克服するために、半教師付きドメイン一般化オブジェクト検出(SS-DGOD)と弱い教師付きDGOD(WS-DGOD)という2つの新しい問題設定を提案する。
複数のドメインからのラベル付きデータを必要とする従来のドメインの一般化とは対照的に、SS-DGODとWS-DGODは1つのドメインからのみラベル付きデータを必要とし、トレーニングのために複数のドメインからラベル付きまたは弱いラベル付きデータを必要とする。
対象検出器は、教師から出力される擬似ラベルを用いて、未ラベルまたは弱ラベルのデータに基づいて学生ネットワークを訓練する同じ学習フレームワークを用いて、提案した設定で効果的に訓練できることを示す。
実験の結果,提案手法で学習した対象検出器は,あるラベル付きドメインデータでトレーニングされたベースライン検出器を著しく上回っており,非教師付きドメイン適応(uda)設定で訓練されたものと同等かそれ以上の性能を発揮することがわかった。
関連論文リスト
- Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。
このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。
脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
論文 参考訳(メタデータ) (2023-08-25T10:22:13Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文 参考訳(メタデータ) (2021-09-19T00:27:08Z) - 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) - Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。
本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。
検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文 参考訳(メタデータ) (2021-06-02T05:21:25Z) - 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) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-10T01:42:35Z) - Learning Task-oriented Disentangled Representations for Unsupervised
Domain Adaptation [165.61511788237485]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。
UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
論文 参考訳(メタデータ) (2020-07-27T01:21:18Z) - Learning a Domain Classifier Bank for Unsupervised Adaptive Object
Detection [48.19258721979389]
本稿では,ディープネットワークに基づく物体検出のための細粒度領域アライメント手法を提案する。
そこで我々は,適応検出器として細粒度領域アライメント機構を備えた素物体検出器を開発した。
3つの一般的な転送ベンチマーク実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2020-07-06T09:12:46Z)
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。