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
- DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。
提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。
複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
論文 参考訳（メタデータ） (2024-05-20T03:48:45Z) - Versatile Teacher: A Class-aware Teacher-student Framework for Cross-domain Adaptation [2.9748058103007957]
私たちはVersatile Teacher(VT)という新しい教師学生モデルを紹介します。
VTはクラス固有の検出困難を考慮し、2段階の擬似ラベル選択機構を用いてより信頼性の高い擬似ラベルを生成する。
提案手法は,3つのベンチマークデータセットに対して有望な結果を示し,広範に使用されている1段検出器のアライメント手法を拡張した。
論文 参考訳（メタデータ） (2024-05-20T03:31:43Z) - Contrastive Mean Teacher for Domain Adaptive Object Detectors [20.06919799819326]
平均教師の自己学習は、オブジェクト検出のための教師なしドメイン適応において強力なパラダイムであるが、低品質の擬似ラベルに苦しむ。
提案するContrastive Mean Teacher (CMT)は、2つのパラダイムが自然に統合され、有益な学習信号が最大化される統一的汎用フレームワークである。
CMTは、Fogdy Cityscapesで51.9%のmAPを達成し、これまでで最高の2.1%のmAPを達成している。
論文 参考訳（メタデータ） (2023-05-04T17:55:17Z) - Feature Representation Learning for Unsupervised Cross-domain Image
Retrieval [73.3152060987961]
現在の教師付きクロスドメイン画像検索法は優れた性能が得られる。
データ収集とラベリングのコストは、実際のアプリケーションにおける実践的なデプロイにおいて、難易度の高い障壁を課します。
本稿では,クラス意味認識機能抽出を支援するために,クラスタ単位のコントラスト学習機構を提案する。
論文 参考訳（メタデータ） (2022-07-20T07:52:14Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - UDA-COPE: Unsupervised Domain Adaptation for Category-level Object Pose
Estimation [84.16372642822495]
我々は、textbfUDA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のための教師なしドメイン適応(UDA)を提案する。
近年のマルチモーダルなUDA手法に触発された提案手法は,教師が指導する自己教師型学習手法を利用して,ターゲットドメインラベルを使わずにポーズ推定ネットワークを訓練する。
論文 参考訳（メタデータ） (2021-11-24T16:00:48Z) - 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) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for
Semantic Segmentation [34.790169990156684]
私たちは、少数のラベル付きターゲットデータと大量のラベル付きソースデータが利用可能である半監視ドメイン適応(SSDA)のより実用的な設定に焦点を当てています。
領域レベルとサンプルレベルのドメインギャップを低減する2種類のデータミキシング手法を提案する。
総合的視点と部分的視点から2段階の混合データに基づいて,2つの相補的ドメイン混合教師を得ることができる。
論文 参考訳（メタデータ） (2021-03-08T12:33:17Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。