論文の概要: Object-Aware Domain Generalization for Object Detection

• arxiv url: http://arxiv.org/abs/2312.12133v1
• Date: Tue, 19 Dec 2023 13:11:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 15:41:27.057000
• Title: Object-Aware Domain Generalization for Object Detection
• Title（参考訳）: オブジェクト検出のためのオブジェクト認識ドメインの一般化
• Authors: Wooju Lee, Dasol Hong, Hyungtae Lim, and Hyun Myung
• Abstract要約: 本稿では,オブジェクト検出における単一ドメインの一般化のためのオブジェクト認識ドメイン一般化(OA-DG)手法を提案する。 本手法は,OA-Mix と OA-Loss と呼ばれるデータ拡張と学習戦略から構成される。 提案手法は,標準ベンチマークにおける最先端の作業よりも優れる。
• 参考スコア（独自算出の注目度）: 10.28961895672321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-domain generalization (S-DG) aims to generalize a model to unseen environments with a single-source domain. However, most S-DG approaches have been conducted in the field of classification. When these approaches are applied to object detection, the semantic features of some objects can be damaged, which can lead to imprecise object localization and misclassification. To address these problems, we propose an object-aware domain generalization (OA-DG) method for single-domain generalization in object detection. Our method consists of data augmentation and training strategy, which are called OA-Mix and OA-Loss, respectively. OA-Mix generates multi-domain data with multi-level transformation and object-aware mixing strategy. OA-Loss enables models to learn domain-invariant representations for objects and backgrounds from the original and OA-Mixed images. Our proposed method outperforms state-of-the-art works on standard benchmarks. Our code is available at https://github.com/WoojuLee24/OA-DG.
• Abstract（参考訳）: single-domain generalization (s-dg) は、単一ソースドメインで未認識の環境にモデルを一般化することを目的としている。 しかし、ほとんどのS-DGアプローチは分類の分野で行われている。 これらのアプローチがオブジェクト検出に適用されると、いくつかのオブジェクトのセマンティックな特徴が損なわれ、不正確なオブジェクトのローカライゼーションと誤分類につながる可能性がある。 この問題に対処するために,オブジェクト検出における単一ドメイン一般化のためのオブジェクト認識ドメイン一般化(oa-dg)手法を提案する。 本手法は,OA-Mix と OA-Loss と呼ばれるデータ拡張と学習戦略から構成される。 oa-mixはマルチレベル変換とオブジェクト指向混合戦略を備えたマルチドメインデータを生成する。 oa-lossは、モデルがオリジナルおよびoa混合画像からオブジェクトと背景のドメイン不変表現を学習することを可能にする。 提案手法は,標準ベンチマークにおける最先端の作業よりも優れる。 私たちのコードはhttps://github.com/WoojuLee24/OA-DGで公開されています。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Attention-based Class-Conditioned Alignment for Multi-Source Domain Adaptation of Object Detectors [11.616494893839757]
  オブジェクト検出(OD)のドメイン適応手法は、ソースドメインとターゲットドメイン間の特徴調整を促進することによって、分散シフトの影響を軽減する。 ODのための最先端MSDA手法の多くは、クラスに依存しない方法で特徴アライメントを実行する。 ドメイン間で各オブジェクトカテゴリのインスタンスをアライメントするMSDAのための注目型クラス条件アライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-03-14T23:31:41Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Weakly Supervised Object Localization as Domain Adaption [19.854125742336688]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、画像レベルの分類マスクの監督のみでオブジェクトをローカライズすることに焦点を当てる。 従来のWSOL手法の多くは、MIL(Multi-instance Learning)機構を用いて分類構造に基づいてオブジェクトをローカライズする分類活性化マップ(CAM)に従っている。 この研究は、WSOLをドメイン適応(DA)タスクとしてモデル化する、新しい視点を提供する。そこでは、ソース/イメージドメインでトレーニングされたスコア推定器がターゲット/ピクセルドメイン上でテストされ、オブジェクトを見つける。
  論文  参考訳（メタデータ） (2022-03-03T13:50:22Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Cross-Domain Structure Preserving Projection for Heterogeneous Domain Adaptation [23.18781318003242]
  Heterogeneous Domain Adaptation (HDA)は、ソースドメインとターゲットドメインのデータが異なるモダリティを持つ転送学習問題に対処する。 伝統的なドメイン適応アルゴリズムは、ソースとターゲットサンプルの表現が同じ特徴空間にあると仮定する。 本稿では,HDAのためのCDSPP(Cross-Domain Structure Preserving Projection)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-26T16:22:28Z)

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。