論文の概要: Bag of Tricks: Semi-Supervised Cross-domain Crater Detection with Poor
Data Quality
- arxiv url: http://arxiv.org/abs/2312.06169v1
- Date: Mon, 11 Dec 2023 07:16:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:41:42.765525
- Title: Bag of Tricks: Semi-Supervised Cross-domain Crater Detection with Poor
Data Quality
- Title（参考訳）: トリックのバグ:データ品質が低い半スーパービジョンのクロスドメインクレーター検出
- Authors: Yifan Liu and Tiecheng Song
- Abstract要約: 実験の結果,DACDデータセットの性能は向上し,ベースライン上でのクロスドメイン検出のリコールが24.04%向上した。
- 参考スコア（独自算出の注目度）: 18.832262889768078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of spaceflight and the exploration of extraterrestrial
planets, exoplanet crater detection has gradually gained attention. However,
with the current scarcity of relevant datasets, high sample background
complexity, and large inter-domain differences, few existing detection models
can achieve good robustness and generalization across domains by training on
data with more background interference. To obtain a better robust model with
better cross-domain generalization in the presence of poor data quality, we
propose the SCPQ model, in which we first propose a method for fusing shallow
information using attention mechanism (FSIAM), which utilizes feature maps
fused with deep convolved feature maps after fully extracting the global
sensory field of shallow information via the attention mechanism module, which
can fully fit the data to obtain a better sense of the domain in the presence
of poor data, and thus better multiscale adaptability. Secondly, we propose a
pseudo-label and data augment strategy (PDAS) and a smooth hard example mining
(SHEM) loss function to improve cross-domain performance. PDAS adopts
high-quality pseudo-labeled data from the target domain to the finetune model,
and adopts different strong and weak data enhancement strategies for different
domains, which mitigates the different distribution of information inherent in
the source and target domains, and obtains a better generalization effect.
Meanwhile, our proposed SHEM loss function can solve the problem of poor
robustness of hard examples due to partial background interference learning
during the training process. The SHEM loss function can smooth this
interference and has generalization while learning hard examples. Experimental
results show that we achieved better performance on the DACD dataset and
improved the Recall of cross-domain detection by 24.04\% over baseline.
- Abstract（参考訳）: 宇宙飛行の発展と地球外惑星の探査により、惑星外クレーターの検出が徐々に注目されるようになった。
しかし、関連するデータセットの不足、高いサンプルバックグラウンドの複雑さ、ドメイン間の大きな差異により、背景干渉の少ないデータでトレーニングすることで、ドメイン間の堅牢性と一般化を達成できる既存の検出モデルはほとんどない。
To obtain a better robust model with better cross-domain generalization in the presence of poor data quality, we propose the SCPQ model, in which we first propose a method for fusing shallow information using attention mechanism (FSIAM), which utilizes feature maps fused with deep convolved feature maps after fully extracting the global sensory field of shallow information via the attention mechanism module, which can fully fit the data to obtain a better sense of the domain in the presence of poor data, and thus better multiscale adaptability.
次に,擬似ラベル・データ拡張戦略 (PDAS) とスムーズなハードサンプルマイニング (SHEM) ロス関数を提案し,クロスドメイン性能を向上させる。
PDASは、ターゲットドメインからファインチューンモデルに高品質な擬似ラベル付きデータを採用し、異なるドメインに対して、異なる強度および弱いデータ拡張戦略を採用し、ソースおよびターゲットドメイン固有の情報の異なる分布を緩和し、より優れた一般化効果を得る。
一方,提案するシェム損失関数は,トレーニング過程における部分的背景干渉学習により,ハードサンプルの頑健性が低下する問題を解くことができる。
SHEM損失関数はこの干渉を円滑にし、難しい例を学習しながら一般化する。
実験の結果,DACDデータセットの性能は向上し,ベースライン上でのクロスドメイン検出のリコールが24.04\%向上した。
関連論文リスト
- An Unsupervised Domain Adaptive Approach for Multimodal 2D Object
Detection in Adverse Weather Conditions [5.217255784808035]
本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。
天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。
DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
論文 参考訳（メタデータ） (2022-03-07T18:10:40Z) - 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) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - Domain Adaptive YOLO for One-Stage Cross-Domain Detection [4.596221278839825]
ドメイン適応型YOLO (DA-YOLO) は1段検出器のクロスドメイン性能を向上させるために提案される。
提案手法を,Cityscapes,KITTI,SIM10Kなどの一般的なデータセット上で評価する。
論文 参考訳（メタデータ） (2021-06-26T04:17:42Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)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に知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z) - Deeply Aligned Adaptation for Cross-domain Object Detection [33.766468227676214]
クロスドメインオブジェクト検出は、最近、現実世界のアプリケーションにますます注目を集めている。
本稿では,高速なR-CNNに基づくエンドツーエンドのソリューションを提案する。
論文 参考訳（メタデータ） (2020-04-05T04:41:45Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳（メタデータ） (2020-03-23T13:40:06Z)
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。