論文の概要: Domain Similarity-Perceived Label Assignment for Domain Generalized Underwater Object Detection

• arxiv url: http://arxiv.org/abs/2401.05401v1
• Date: Wed, 20 Dec 2023 05:45:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:32:21.698073
• Title: Domain Similarity-Perceived Label Assignment for Domain Generalized Underwater Object Detection
• Title（参考訳）: 一般水中物体検出のためのドメイン類似性評価ラベルアサインメント
• Authors: Xisheng Li, Wei Li, Pinhao Song, Mingjun Zhang, and Jie Zhou
• Abstract要約: 本稿ではドメイン類似性-知覚ラベル割り当て(DSP)の概念を紹介する。 ドメイン固有のデータ拡張技術により、水中クロスドメインオブジェクト検出ベンチマークS-UODAC 2020で最先端の結果を得た。
• 参考スコア（独自算出の注目度）: 18.39732229138302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inherent characteristics and light fluctuations of water bodies give rise to the huge difference between different layers and regions in underwater environments. When the test set is collected in a different marine area from the training set, the issue of domain shift emerges, significantly compromising the model's ability to generalize. The Domain Adversarial Learning (DAL) training strategy has been previously utilized to tackle such challenges. However, DAL heavily depends on manually one-hot domain labels, which implies no difference among the samples in the same domain. Such an assumption results in the instability of DAL. This paper introduces the concept of Domain Similarity-Perceived Label Assignment (DSP). The domain label for each image is regarded as its similarity to the specified domains. Through domain-specific data augmentation techniques, we achieved state-of-the-art results on the underwater cross-domain object detection benchmark S-UODAC2020. Furthermore, we validated the effectiveness of our method in the Cityscapes dataset.
• Abstract（参考訳）: 水域の固有特性と光のゆらぎは、水中環境における異なる層と領域の間に大きな差をもたらす。 訓練セットと異なる海域でテストセットが収集されると、ドメインシフトの問題が発生し、モデルの一般化能力が著しく損なわれる。 DAL(Domain Adversarial Learning)トレーニング戦略は、これまでこのような課題に対処するために使用されてきた。 しかし、DALは手動で1ホットのドメインラベルに大きく依存しており、同じドメインのサンプルに差はない。 このような仮定は、DALの不安定性をもたらす。 本稿ではドメイン類似性-知覚ラベル割り当て(DSP)の概念を紹介する。 各画像のドメインラベルは、指定されたドメインと類似していると見なされる。 ドメイン固有のデータ拡張技術により、水中クロスドメインオブジェクト検出ベンチマークS-UODAC2020で最先端の結果を得た。 さらに,Cityscapesデータセットにおける手法の有効性を検証した。

関連論文リスト

• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• Unsupervised Domain Adaptation for Extra Features in the Target Domain Using Optimal Transport [3.6042575355093907]
  ほとんどの領域適応法は、ソースとターゲットドメインは同じ次元を持つと仮定する。 本稿では,両領域に共通する特徴と,対象領域に付加的な(新たな)特徴が観察されることを仮定する。 共通特徴の均一性を活用するために、これらのソースとターゲットドメイン間の適応を最適な輸送問題として定式化する。
  論文  参考訳（メタデータ） (2022-09-10T04:35:58Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Achieving Domain Generalization in Underwater Object Detection by Image Stylization and Domain Mixup [8.983901488753967]
  既存の水中物体検出手法は複雑な水中環境に起因する領域シフト問題に直面すると深刻に劣化する。 本稿では,データ拡張の観点からのドメイン一般化手法を提案する。 S-UODAC 2020データセットに関する総合的な実験は、提案手法がドメイン不変表現を学習できることを実証している。
  論文  参考訳（メタデータ） (2021-04-06T01:45:07Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
  Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。 本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。 具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
  論文  参考訳（メタデータ） (2020-08-27T01:29:10Z)
• DACS: Domain Adaptation via Cross-domain Mixed Sampling [4.205692673448206]
  教師なしのドメイン適応は、あるドメインからラベル付きデータをトレーニングし、同時に関心のあるドメインでラベルなしのデータから学習しようとする。 DACS: クロスドメイン混合サンプリングによるドメイン適応(Domain Adaptation)を提案する。 我々は,GTA5からCityscapesへの最先端の成果を得ることによって,ソリューションの有効性を実証する。
  論文  参考訳（メタデータ） (2020-07-17T00:43:11Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Adapting Object Detectors with Conditional Domain Normalization [38.13526570506076]
  条件付きドメイン正規化(CDN)は、異なるドメイン入力を共有潜在空間にエンコードするように設計されている。 対象検出器の様々な畳み込み段階にCDNを組み込み、異なるレベルの表現の領域シフトに適応的に対処する。 テストの結果、CDNは実-実-実-実-実-実-実-実-実-実-実のベンチマークにおいて、既存の手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2020-03-16T08:27:29Z)

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。