論文の概要: Source-free Domain Adaptive Object Detection in Remote Sensing Images

• arxiv url: http://arxiv.org/abs/2401.17916v1
• Date: Wed, 31 Jan 2024 15:32:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 14:03:36.887057
• Title: Source-free Domain Adaptive Object Detection in Remote Sensing Images
• Title（参考訳）: リモートセンシング画像におけるソースフリー領域適応オブジェクト検出
• Authors: Weixing Liu, Jun Liu, Xin Su, Han Nie, Bin Luo
• Abstract要約: 本研究では,RS画像のソースフリーオブジェクト検出(SFOD)設定を提案する。 これは、ソース事前学習モデルのみを使用してターゲットドメイン適応を実行することを目的としている。 本手法では,ソース領域RS画像へのアクセスは不要である。
• 参考スコア（独自算出の注目度）: 11.19538606490404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have used unsupervised domain adaptive object detection (UDAOD) methods to bridge the domain gap in remote sensing (RS) images. However, UDAOD methods typically assume that the source domain data can be accessed during the domain adaptation process. This setting is often impractical in the real world due to RS data privacy and transmission difficulty. To address this challenge, we propose a practical source-free object detection (SFOD) setting for RS images, which aims to perform target domain adaptation using only the source pre-trained model. We propose a new SFOD method for RS images consisting of two parts: perturbed domain generation and alignment. The proposed multilevel perturbation constructs the perturbed domain in a simple yet efficient form by perturbing the domain-variant features at the image level and feature level according to the color and style bias. The proposed multilevel alignment calculates feature and label consistency between the perturbed domain and the target domain across the teacher-student network, and introduces the distillation of feature prototype to mitigate the noise of pseudo-labels. By requiring the detector to be consistent in the perturbed domain and the target domain, the detector is forced to focus on domaininvariant features. Extensive results of three synthetic-to-real experiments and three cross-sensor experiments have validated the effectiveness of our method which does not require access to source domain RS images. Furthermore, experiments on computer vision datasets show that our method can be extended to other fields as well. Our code will be available at: https://weixliu.github.io/ .
• Abstract（参考訳）: 近年,unsupervised domain adaptive object detection (udaod) 法を用いて,リモートセンシング画像における領域ギャップの橋渡しを行っている。 しかし、UDAODメソッドは通常、ソースドメインデータがドメイン適応プロセス中にアクセス可能であると仮定します。 この設定は、rsデータのプライバシと送信の難しさのため、現実の世界ではしばしば非現実的です。 この課題に対処するために、我々は、ソース事前学習モデルのみを用いてターゲット領域適応を行うRS画像のための実用的なソースフリーオブジェクト検出(SFOD)設定を提案する。 本稿では、摂動領域の生成とアライメントという2つの部分からなるRS画像の新しいSFOD法を提案する。 提案するマルチレベル摂動は、色やスタイルバイアスに応じて画像レベルや特徴レベルでのドメイン可変特徴を摂動させることにより、摂動領域を単純かつ効率的な形で構成する。 提案するマルチレベルアライメントは,教師間ネットワークにおける摂動ドメインと対象ドメイン間の特徴とラベルの一貫性を算出し,疑似ラベルのノイズを軽減するために特徴プロトタイプの蒸留を導入する。 検出器は摂動領域とターゲット領域に一貫性を持たなければならないため、検出器はドメイン不変の特徴に集中せざるを得ない。 3つの合成-実実験と3つのクロスセンサー実験の広範な結果により、ソースドメインrs画像へのアクセスを必要としない方法の有効性が検証された。 さらに,コンピュータビジョンデータセットを用いた実験により,提案手法を他の分野にも拡張できることを示した。 コードはhttps://weixliu.github.io/。

関連論文リスト

• FIT: Frequency-based Image Translation for Domain Adaptive Object Detection [8.635264598464355]
  ドメイン適応オブジェクト検出(DAOD)のための新しい周波数ベース画像変換(FIT)フレームワークを提案する。 まず、ドメイン不変周波数成分を保持し、ドメイン固有周波数成分を交換することで、画像変換を行い、入力レベルでのドメインシフトを低減する。 第二に、階層的対角的特徴学習を用いて、特徴レベルでのドメインギャップをさらに緩和する。
  論文  参考訳（メタデータ） (2023-03-07T07:30:08Z)
• Cross-Modality Domain Adaptation for Freespace Detection: A Simple yet Effective Baseline [21.197212665408262]
  フリースペース検出は、カメラが捉えた画像の各ピクセルを、ドライビング可能または非駆動可能と分類することを目的としている。 我々はRGB画像と深度画像から生成された表面正規写像の両方を利用するクロスモダリティ領域適応フレームワークを開発した。 ソースドメイン(合成データ)とターゲットドメイン(実世界のデータ)のドメインギャップを埋めるため、選択的特徴アライメント(SFA)モジュールも提案する。
  論文  参考訳（メタデータ） (2022-10-06T15:31:49Z)
• 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)
• 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)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection [1.773576418078547]
  トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。 マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。 本研究では,Cityscapesデータセットとその合成変種について実験を行った。 霧、雨、夜。
  論文  参考訳（メタデータ） (2021-03-25T16:59:35Z)
• Domain Contrast for Domain Adaptive Object Detection [79.77438747622135]
  ドメインコントラスト(ドメインコントラスト、Domain Contrast、DC)は、ドメイン適応検出器の訓練のための対照的な学習にインスパイアされたアプローチである。 DCは画像レベルでも領域レベルでも適用可能で、検出器の転送性や識別性は一貫して改善されている。
  論文  参考訳（メタデータ） (2020-06-26T08:45:36Z)

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。