論文の概要: Proposal-Level Unsupervised Domain Adaptation for Open World Unbiased Detector

• arxiv url: http://arxiv.org/abs/2311.02342v1
• Date: Sat, 4 Nov 2023 07:46:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 18:08:52.108021
• Title: Proposal-Level Unsupervised Domain Adaptation for Open World Unbiased Detector
• Title（参考訳）: オープンワールドアンバイアス検出器のための提案レベル非教師なし領域適応
• Authors: Xuanyi Liu, Zhongqi Yue, Xian-Sheng Hua
• Abstract要約: 教師なしドメイン適応の下でタスクを再定式化することで、偏りのないフォアグラウンド予測器を構築する。 我々は,ドメイン不変のフォアグラウンド機能に基づいて予測器を学習するために,単純で効果的な自己学習手法を採用する。 我々のアプローチのパイプラインは、OWOD評価によって実証的に検証された様々な検出フレームワークやUDA手法に適応することができる。
• 参考スコア（独自算出の注目度）: 35.334125159092025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open World Object Detection (OWOD) combines open-set object detection with incremental learning capabilities to handle the challenge of the open and dynamic visual world. Existing works assume that a foreground predictor trained on the seen categories can be directly transferred to identify the unseen categories' locations by selecting the top-k most confident foreground predictions. However, the assumption is hardly valid in practice. This is because the predictor is inevitably biased to the known categories, and fails under the shift in the appearance of the unseen categories. In this work, we aim to build an unbiased foreground predictor by re-formulating the task under Unsupervised Domain Adaptation, where the current biased predictor helps form the domains: the seen object locations and confident background locations as the source domain, and the rest ambiguous ones as the target domain. Then, we adopt the simple and effective self-training method to learn a predictor based on the domain-invariant foreground features, hence achieving unbiased prediction robust to the shift in appearance between the seen and unseen categories. Our approach's pipeline can adapt to various detection frameworks and UDA methods, empirically validated by OWOD evaluation, where we achieve state-of-the-art performance.
• Abstract（参考訳）: Open World Object Detection (OWOD)はオープンセットのオブジェクト検出とインクリメンタルな学習機能を組み合わせて、オープンでダイナミックなビジュアル世界の課題に対処する。 既存の研究では、観察されたカテゴリで訓練されたフォアグラウンド予測器は、トップkの最も自信のあるフォアグラウンド予測を選択することで、見当たらないカテゴリの場所を特定するために直接転送できると仮定している。 しかし、この仮定は実際はほとんど有効ではない。 これは、予測者は必然的に既知のカテゴリに偏り、見当たらないカテゴリの出現のシフト下で失敗するためである。 本研究では,非教師なし領域適応の下でタスクを再フォーマットし,現在のバイアス付き予測者がドメイン形成を支援することにより,未バイアスのフォアグラウンド予測器を構築することを目的としている。 次に, 単純かつ効果的な自己学習法を用いて, 領域不変のフォアグラウンド特徴に基づく予測系を学習し, 視認圏と視認圏の出現の変化に頑健な非バイアス予測を実現する。 このアプローチのパイプラインは,OWOD評価によって実証的に検証された,さまざまな検出フレームワークやUDAメソッドに適応することができる。

関連論文リスト

• Open Domain Generalization with a Single Network by Regularization Exploiting Pre-trained Features [37.518025833882334]
  Open Domain Generalization(ODG)は、分散シフトとカテゴリシフトを扱うため、困難なタスクである。 これまでの作業では複数のソース特化ネットワークを使用しており、コストが高い。 本稿では,単一ネットワークのみを用いてODGを処理できる手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:22:10Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
  視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。 提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。 暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T08:42:41Z)
• Dirichlet-based Uncertainty Calibration for Active Domain Adaptation [33.33529827699169]
  アクティブドメイン適応(DA)は、アノテートする限られたターゲットデータを積極的に選択することで、新しいターゲットドメインに対するモデル適応を最大限に向上することを目的としている。 従来のアクティブな学習方法は、ドメインシフトの問題を考慮していないため、効果が低い場合がある。 そこで我々は,iDirichlet-based Uncertainty (DUC) approach for active DAを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:33:29Z)
• Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
  教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。 我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
  論文  参考訳（メタデータ） (2022-08-26T19:50:46Z)
• 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)
• Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection [0.8701566919381223]
  顔提示攻撃検知(PAD)は顔認識システムを確保するために注目されている。 PAD一般化能力を改善するために,ドメイン適応(DA)に基づくエンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-13T05:34:40Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。