論文の概要: DUA-DA: Distillation-based Unbiased Alignment for Domain Adaptive Object
Detection
- arxiv url: http://arxiv.org/abs/2311.10437v1
- Date: Fri, 17 Nov 2023 10:26:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:54:08.317247
- Title: DUA-DA: Distillation-based Unbiased Alignment for Domain Adaptive Object
Detection
- Title(参考訳): DUA-DA:ドメイン適応オブジェクト検出のための蒸留に基づく不均一アライメント
- Authors: Yongchao Feng, Shiwei Li, Yingjie Gao, Ziyue Huang, Yanan Zhang,
Qingjie Liu and Yunhong Wang
- Abstract要約: ドメイン適応オブジェクト検出(DAOD)のための蒸留法に基づく新しいunbiased Alignment(DUA)フレームワークを提案する。
DUAフレームワークは、トレーニングプロセス中にトレーニング済みの教師モデルを通じて、ソースの機能をよりバランスの取れた位置に向けて蒸留する。
我々は、これらの2つのメトリクスを利用して分類信頼性をさらに洗練するドメイン認識一貫性向上(DCE)戦略を実装している。
- 参考スコア(独自算出の注目度): 38.87513465060913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Though feature-alignment based Domain Adaptive Object Detection (DAOD) have
achieved remarkable progress, they ignore the source bias issue, i.e. the
aligned features are more favorable towards the source domain, leading to a
sub-optimal adaptation. Furthermore, the presence of domain shift between the
source and target domains exacerbates the problem of inconsistent
classification and localization in general detection pipelines. To overcome
these challenges, we propose a novel Distillation-based Unbiased Alignment
(DUA) framework for DAOD, which can distill the source features towards a more
balanced position via a pre-trained teacher model during the training process,
alleviating the problem of source bias effectively. In addition, we design a
Target-Relevant Object Localization Network (TROLN), which can mine
target-related knowledge to produce two classification-free metrics (IoU and
centerness). Accordingly, we implement a Domain-aware Consistency Enhancing
(DCE) strategy that utilizes these two metrics to further refine classification
confidences, achieving a harmonization between classification and localization
in cross-domain scenarios. Extensive experiments have been conducted to
manifest the effectiveness of this method, which consistently improves the
strong baseline by large margins, outperforming existing alignment-based works.
- Abstract(参考訳): 特徴調整に基づくドメイン適応オブジェクト検出(DAOD)は顕著な進歩を遂げているが、ソースバイアスの問題を無視している。
さらに、ソースとターゲットドメイン間のドメインシフトの存在は、一般的な検出パイプラインにおける一貫性のない分類とローカライゼーションの問題を悪化させる。
そこで,これらの課題を克服するために,前訓練した教師モデルを用いて,よりバランスのとれた位置へソースの特徴を蒸留し,ソースバイアスの問題を効果的に解決できる新しい蒸留型非バイアスアライメント(dua)フレームワークを提案する。
さらに,ターゲット関連知識をマイニングして2つの分類フリーな指標(iouと中心性)を生成できる,ターゲット関連オブジェクトローカライズネットワーク(troln)を設計した。
そこで我々は、これらの2つの指標を利用して分類信頼性をさらに洗練し、ドメイン横断シナリオにおける分類とローカライゼーションの調和を実現するドメイン認識一貫性向上(DCE)戦略を実装した。
この手法の有効性を明らかにするために広範な実験が行われており、既存のアライメントに基づく作品よりも強いベースラインを高いマージンで一貫して改善している。
関連論文リスト
- Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳(メタデータ) (2022-11-12T09:21:49Z) - Generative Domain Adaptation for Face Anti-Spoofing [38.12738183385737]
教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
論文 参考訳(メタデータ) (2022-07-20T16:24:57Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - Learning Unbiased Transferability for Domain Adaptation by Uncertainty
Modeling [107.24387363079629]
ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。
ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。
本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
論文 参考訳(メタデータ) (2022-06-02T21:58:54Z) - Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送と適応を目的としている。
伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。
本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-05T20:16:38Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Boosting Unsupervised Domain Adaptation with Soft Pseudo-label and
Curriculum Learning [19.903568227077763]
教師なしドメイン適応(UDA)は、完全にラベル付けされたソースドメインからのデータを活用することにより、ラベル付けされていないターゲットドメインの分類性能を向上させる。
ソフトな擬似ラベル戦略を用いてモデル予測の欠陥を大幅に低減するモデルに依存しない2段階学習フレームワークを提案する。
第2段階では,2つのドメインの損失間の重み付けを適応的に制御するカリキュラム学習戦略を提案する。
論文 参考訳(メタデータ) (2021-12-03T14:47:32Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Discriminative Feature Alignment: Improving Transferability of
Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment [27.671964294233756]
本研究では,ラベル付きデータ領域から近似推論モデルを学習するための教師なし領域適応問題に着目した。
教師なしのドメイン適応の成功は、主にクロスドメイン機能アライメントに依存している。
本稿では,2つの領域の潜在特徴分布を事前分布の導出の下で整列するガウス誘導型潜時アライメント手法を提案する。
そのような間接的な方法では、2つの領域からのサンプル上の分布は共通の特徴空間、すなわち前の領域の空間上に構築される。
論文 参考訳(メタデータ) (2020-06-23T05:33:54Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-06T22:58:20Z)
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。