論文の概要: Semantic Segmentation in Multiple Adverse Weather Conditions with Domain Knowledge Retention

• arxiv url: http://arxiv.org/abs/2401.07459v1
• Date: Mon, 15 Jan 2024 04:08:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 18:24:36.838175
• Title: Semantic Segmentation in Multiple Adverse Weather Conditions with Domain Knowledge Retention
• Title（参考訳）: ドメイン知識保持を伴う複数の逆気象条件におけるセマンティックセグメンテーション
• Authors: Xin Yang, Wending Yan, Yuan Yuan, Michael Bi Mi, Robby T. Tan
• Abstract要約: 教師なし領域適応は、悪天候に対するモデルの適応性と堅牢性を高めるための潜在的アプローチである。 本稿では,適応的な知識獲得,擬似ラベルブレンディング,気象構成のリプレイを取り入れた,複数の悪天候条件に対するセマンティックセグメンテーション手法を提案する。 提案手法は, 常に最先端の手法より優れており, 平均mIoU (%) の65.7で最高の性能が得られる。
• 参考スコア（独自算出の注目度）: 30.442998370823002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation's performance is often compromised when applied to unlabeled adverse weather conditions. Unsupervised domain adaptation is a potential approach to enhancing the model's adaptability and robustness to adverse weather. However, existing methods encounter difficulties when sequentially adapting the model to multiple unlabeled adverse weather conditions. They struggle to acquire new knowledge while also retaining previously learned knowledge.To address these problems, we propose a semantic segmentation method for multiple adverse weather conditions that incorporates adaptive knowledge acquisition, pseudolabel blending, and weather composition replay. Our adaptive knowledge acquisition enables the model to avoid learning from extreme images that could potentially cause the model to forget. In our approach of blending pseudo-labels, we not only utilize the current model but also integrate the previously learned model into the ongoing learning process. This collaboration between the current teacher and the previous model enhances the robustness of the pseudo-labels for the current target. Our weather composition replay mechanism allows the model to continuously refine its previously learned weather information while simultaneously learning from the new target domain. Our method consistently outperforms the stateof-the-art methods, and obtains the best performance with averaged mIoU (%) of 65.7 and the lowest forgetting (%) of 3.6 against 60.1 and 11.3, on the ACDC datasets for a four-target continual multi-target domain adaptation.
• Abstract（参考訳）: セマンティクスセグメンテーションのパフォーマンスは、ラベルのない悪天候条件に適用されるとしばしば損なわれる。 教師なし領域適応は、悪天候に対するモデルの適応性と堅牢性を高めるための潜在的アプローチである。 しかし、既存の手法は、複数のラベルのない悪天候条件にモデルを順次適応させる際に困難に直面する。 これらの問題に対処するために,適応的な知識獲得,擬似ラベルブレンディング,気象構成のリプレイを含む,複数の悪天候条件に対する意味的セグメンテーション手法を提案する。 我々の適応的な知識獲得は、モデルを忘れてしまう可能性のある極端な画像からの学習を避けることができる。 擬似ラベルをブレンドするアプローチでは、現在のモデルだけでなく、学習したモデルを現在進行中の学習プロセスに統合する。 この現在の教師と以前のモデルとのコラボレーションは、現在のターゲットに対する擬似ラベルのロバスト性を高める。 我々の気象構成再生機構により、新しい対象領域から学習しながら、学習済みの気象情報を連続的に改善することができる。 提案手法は, 平均mIoU (%) の65.7, 3.6 の 60.1 と 11.3 に対して, ACDC のデータセット上で, 4 つの連続的マルチターゲット領域適応に対して, 平均mIoU (%) の3。

関連論文リスト

• Masked Autoregressive Model for Weather Forecasting [7.960598061739508]
  Masked Autoregressive Model for Weather Forecasting (MAM4WF) 本研究では,MAM4WF(Masked Autoregressive Model for Weather Forecasting)を提案する。 このモデルは、トレーニング中に入力データの一部をマスクするマスク付きモデリングを利用する。 気象・気象予報・映像フレーム予測データを用いてMAM4WFを評価し,5つのテストデータセットにおいて優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T09:17:04Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Adaptive-Labeling for Enhancing Remote Sensing Cloud Understanding [40.572147431473034]
  我々は、トレーニングデータアノテーションの品質を高めるために反復的に運用される、革新的なモデルに依存しないCloud Adaptive-Labeling(CAL)アプローチを導入する。 本手法は,クラウドセグメンテーションモデルをオリジナルのアノテーションを用いてトレーニングすることで開始する。 トレーニング可能なピクセル強度閾値を導入し、雲のトレーニング画像をリアルタイムでアダプティブにラベル付けする。 新たに生成されたラベルはモデルを微調整するために使用される。
  論文  参考訳（メタデータ） (2023-11-09T08:23:45Z)
• Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
  生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。 転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
  論文  参考訳（メタデータ） (2023-10-24T06:22:37Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• WeatherDepth: Curriculum Contrastive Learning for Self-Supervised Depth Estimation under Adverse Weather Conditions [42.99525455786019]
  カリキュラムのコントラスト学習による自己教師付き頑健な深度推定モデルであるWeatherDepthを提案する。 提案手法は様々なアーキテクチャに容易に組み込めることが証明され、合成および実際の気象データセット上での最先端(SoTA)性能を示す。
  論文  参考訳（メタデータ） (2023-10-09T09:26:27Z)
• DA-RAW: Domain Adaptive Object Detection for Real-World Adverse Weather Conditions [2.048226951354646]
  悪天候下での物体検出のための教師なし領域適応フレームワークを提案する。 提案手法は,高次特徴のスタイル関連情報に集中することで,スタイルギャップを解消する。 自己教師付きコントラスト学習を用いて、我々のフレームワークは、気象のギャップを減らし、気象汚染に対して堅牢な事例特徴を取得する。
  論文  参考訳（メタデータ） (2023-09-15T04:37:28Z)
• Continual Domain Adaptation on Aerial Images under Gradually Degrading Weather [1.8130068086063336]
  ドメイン適応(DA)は、モデルをトレーニングするソースドメインと、モデルをデプロイするターゲットドメインとの間のドメインギャップを軽減するために努力します。 既存の2つの航空画像データセットから、実際の画像上で徐々に悪化する2つの気象条件を合成する。 ベースライン標準DAモデルと2つの連続DAモデルという3つのDAモデルをデータセット上で評価する。
  論文  参考訳（メタデータ） (2023-08-02T03:47:19Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)

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。