論文の概要: DDF: A Novel Dual-Domain Image Fusion Strategy for Remote Sensing Image Semantic Segmentation with Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2403.02784v1
• Date: Tue, 5 Mar 2024 08:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 15:32:47.751004
• Title: DDF: A Novel Dual-Domain Image Fusion Strategy for Remote Sensing Image Semantic Segmentation with Unsupervised Domain Adaptation
• Title（参考訳）: DDF:unsupervised domain Adaptationを用いたリモートセンシング画像セマンティックセマンティックセグメンテーションのための新しいデュアルドメイン画像融合戦略
• Authors: Lingyan Ran and Lushuang Wang and Tao Zhuo and Yinghui Xing
• Abstract要約: 非教師なしドメイン適応(UDA)は、対象ドメインからの未分類情報を組み込む際に有利であることが証明されている。 本稿では,新しいデュアルドメイン画像融合戦略とともに,ハイブリッドトレーニング戦略を提案する。 提案手法の有効性は,ISPRS Vaihingen および Potsdam データセットを用いて行った広範囲なベンチマーク実験およびアブレーション研究によって実証された。
• 参考スコア（独自算出の注目度）: 6.799138132330112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of remote sensing images is a challenging and hot issue due to the large amount of unlabeled data. Unsupervised domain adaptation (UDA) has proven to be advantageous in incorporating unclassified information from the target domain. However, independently fine-tuning UDA models on the source and target domains has a limited effect on the outcome. This paper proposes a hybrid training strategy as well as a novel dual-domain image fusion strategy that effectively utilizes the original image, transformation image, and intermediate domain information. Moreover, to enhance the precision of pseudo-labels, we present a pseudo-label region-specific weight strategy. The efficacy of our approach is substantiated by extensive benchmark experiments and ablation studies conducted on the ISPRS Vaihingen and Potsdam datasets.
• Abstract（参考訳）: リモートセンシング画像のセマンティックセグメンテーションは、大量のラベルのないデータのために困難かつホットな問題である。 非教師なしドメイン適応(UDA)は、対象ドメインからの未分類情報を組み込む際に有利であることが証明されている。 しかし、ソースおよびターゲットドメイン上の独立に微調整されたUDAモデルは、結果に限定的な影響を及ぼす。 本稿では,オリジナル画像,トランスフォーメーション画像,中間領域情報を効果的に活用する,新たなデュアルドメイン画像融合戦略とともに,ハイブリッドトレーニング戦略を提案する。 さらに,擬似ラベルの精度を高めるために,擬似ラベル領域固有の重み戦略を提案する。 提案手法の有効性は,ISPRS Vaihingen および Potsdam データセットを用いて行った広範囲なベンチマーク実験およびアブレーション研究により実証された。

関連論文リスト

• BlenDA: Domain Adaptive Object Detection through diffusion-based blending [10.457759140533168]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、ソースドメインからラベル付きデータを使用して学習したモデルを、ターゲットドメイン内のラベルなしデータに転送することを目的としている。 中間領域の擬似サンプルを生成することにより,領域適応型オブジェクト検出のための新しい正規化手法BlenDAを提案する。 Foggy Cityscapesデータセットで53.4%のmAPを達成し、前回の最先端を1.5%上回った。
  論文  参考訳（メタデータ） (2024-01-18T12:07:39Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  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)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
  超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。 潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。 都市間比較実験により,提案手法は最先端領域適応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） (2022-12-07T18:16:17Z)
• Reducing Domain Gap in Frequency and Spatial domain for Cross-modality Domain Adaptation on Medical Image Segmentation [5.371816551086118]
  教師なしドメイン適応(UDA)は、ソースドメインで訓練されたモデルを学び、ラベルなしのターゲットドメインでうまく機能することを目的としています。 本稿では, 周波数及び空間領域移動Uner Multi-Teacher蒸留フレームワークに基づく, 単純かつ効果的なUDA法を提案する。 提案手法は最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-11-28T11:35:39Z)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:31:24Z)
• 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)
• Edge-preserving Domain Adaptation for semantic segmentation of Medical Images [0.0]
  ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。 本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。 2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-18T18:14:33Z)
• 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)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。