論文の概要: DTBS: Dual-Teacher Bi-directional Self-training for Domain Adaptation in
Nighttime Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2401.01066v1
- Date: Tue, 2 Jan 2024 06:56:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 14:34:36.650706
- Title: DTBS: Dual-Teacher Bi-directional Self-training for Domain Adaptation in
Nighttime Semantic Segmentation
- Title（参考訳）: DTBS:夜間セマンティックセグメンテーションにおけるドメイン適応のための双方向双方向自己学習
- Authors: Fanding Huang, Zihao Yao and Wenhui Zhou
- Abstract要約: 夜間の状況は、自動運転車の認識システムにとって大きな課題となる。
非教師なし領域適応(UDA)は、そのような画像のセマンティックセグメンテーションに広く応用されている。
本研究では,スムーズな知識伝達とフィードバックのためのDTBS(Dual-Teacher Bi-directional Self-Tning)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the poor illumination and the difficulty in annotating, nighttime
conditions pose a significant challenge for autonomous vehicle perception
systems. Unsupervised domain adaptation (UDA) has been widely applied to
semantic segmentation on such images to adapt models from normal conditions to
target nighttime-condition domains. Self-training (ST) is a paradigm in UDA,
where a momentum teacher is utilized for pseudo-label prediction, but a
confirmation bias issue exists. Because the one-directional knowledge transfer
from a single teacher is insufficient to adapt to a large domain shift. To
mitigate this issue, we propose to alleviate domain gap by incrementally
considering style influence and illumination change. Therefore, we introduce a
one-stage Dual-Teacher Bi-directional Self-training (DTBS) framework for smooth
knowledge transfer and feedback. Based on two teacher models, we present a
novel pipeline to respectively decouple style and illumination shift. In
addition, we propose a new Re-weight exponential moving average (EMA) to merge
the knowledge of style and illumination factors, and provide feedback to the
student model. In this way, our method can be embedded in other UDA methods to
enhance their performance. For example, the Cityscapes to ACDC night task
yielded 53.8 mIoU (\%), which corresponds to an improvement of +5\% over the
previous state-of-the-art. The code is available at
\url{https://github.com/hf618/DTBS}.
- Abstract（参考訳）: 照明が悪く、注釈付けが難しいため、夜間の状況は自動運転車の認識システムにとって大きな課題となる。
非教師なし領域適応(UDA)は、通常状態から夜間領域へのモデル適応のために、そのような画像のセマンティックセグメンテーションに広く応用されている。
自己学習(ST)はUDAのパラダイムであり、モーメント教師が擬似ラベル予測に使用されるが、確証バイアスの問題が存在する。
1人の教師からの1方向の知識伝達は、大きなドメインシフトに対応するには不十分である。
この問題を軽減するため、スタイルの影響や照明の変化を徐々に考慮し、ドメイン間のギャップを軽減することを提案する。
そこで本稿では,スムーズな知識伝達とフィードバックを目的とした,DTBS(Dual-Teacher Bi-directional Self-Tning)フレームワークを提案する。
2つの教師モデルに基づいて、それぞれスタイルと照明シフトを分離する新しいパイプラインを提案する。
さらに,スタイルや照明要素の知識を融合し,学生モデルにフィードバックを与えるために,新たにRe-weight index moving average (EMA)を提案する。
このようにして,本手法を他のUDA手法に組み込んで性能を向上させることができる。
例えば acdc night task のcityscapes は53.8 miou (\%) となり、これは以前の state-of-the-art と比べて +5\% の改善に相当する。
コードは \url{https://github.com/hf618/dtbs} で入手できる。
関連論文リスト
- Enhancing Domain Adaptation through Prompt Gradient Alignment [16.618313165111793]
我々は、ドメイン不変性と特定の特徴の両方を学ぶために、素早い学習に基づく一連の作品を開発する。
我々は、UDAを、各目的がドメイン損失で表される多重目的最適化問題とみなした。
提案手法は,異なるUDAベンチマークにおいて,他のプロンプトベースベースラインをはるかに上回っている。
論文 参考訳（メタデータ） (2024-06-13T17:40:15Z) - Prompt-based Distribution Alignment for Unsupervised Domain Adaptation [42.77798810726824]
教師なし学習型視覚言語モデル(VLM)は、ソースドメインとターゲットドメイン間の分布差を著しく低減できることを示す。
このようなモデルを下流のUDAタスクに直接デプロイする上での大きな課題は、迅速なエンジニアリングである。
本稿では,ドメイン知識を素早い学習に組み込むためのPDA手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T06:15:04Z) - T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point
Clouds [2.5291108878852864]
教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。
本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
論文 参考訳（メタデータ） (2023-09-15T10:47:12Z) - A denoised Mean Teacher for domain adaptive point cloud registration [81.43344461130474]
ポイントクラウドベースの医療登録は、計算効率の向上、強度シフトに対する堅牢性、匿名性保護を約束する。
合成変形に関する教師付きトレーニングは代替となるが、ドメインギャップと実際のドメインとの差に悩まされる。
本稿では,2つの相補的デノベーション戦略を含む,ポイントクラウド登録のための教師/学生の指導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-06-26T15:03:47Z) - Focus on Your Target: A Dual Teacher-Student Framework for
Domain-adaptive Semantic Segmentation [210.46684938698485]
意味的セグメンテーションのための教師なしドメイン適応(UDA)について検討する。
対象領域からのトレーニングサンプルの割合を減少・増加させることで,「学習能力」が強化・弱まることがわかった。
本稿では,DTS(Double teacher-student)フレームワークを提案し,双方向学習戦略を取り入れた。
論文 参考訳（メタデータ） (2023-03-16T05:04:10Z) - Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。
特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。
このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文 参考訳（メタデータ） (2022-07-18T18:41:36Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - DAFormer: Improving Network Architectures and Training Strategies for
Domain-Adaptive Semantic Segmentation [99.88539409432916]
教師なしドメイン適応(UDA)プロセスについて検討する。
ベンチマーク結果に基づいて,新しい UDA 手法である DAFormer を提案する。
DAFormerは,GTA->Cityscapesの10.8 mIoU,Synthia->Cityscapesの5.4 mIoUにより,最先端の性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-11-29T19:00:46Z) - 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)
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。