論文の概要: Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain
Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2403.03704v1
- Date: Wed, 6 Mar 2024 13:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:53:13.286016
- Title: Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain
Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery
- Title（参考訳）: 高解像度リモートセンシング画像の教師なしドメイン適応セマンティックセマンティックセマンティックセグメンテーションに対する因果原型誘発コントラスト適応
- Authors: Jingru Zhu, Ya Guo, Geng Sun, Liang Hong and Jie Chen
- Abstract要約: 本稿では,異なるHRSIsドメインとそれらの意味ラベル間の不変因果機構を探索するプロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。
ソースとターゲットのドメインイメージから因果的特徴とバイアス的特徴を、因果的特徴のアンタングルメントモジュールを通じて切り離す。
さらに因果的・偏見的特徴を非相関化するために、因果的介入モジュールを導入してバイアス的特徴に介入し、反事実的非偏見的サンプルを生成する。
- 参考スコア（独自算出の注目度）: 8.3316355693186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation of high-resolution remote sensing imagery (HRSI)
suffers from the domain shift, resulting in poor performance of the model in
another unseen domain. Unsupervised domain adaptive (UDA) semantic segmentation
aims to adapt the semantic segmentation model trained on the labeled source
domain to an unlabeled target domain. However, the existing UDA semantic
segmentation models tend to align pixels or features based on statistical
information related to labels in source and target domain data, and make
predictions accordingly, which leads to uncertainty and fragility of prediction
results. In this paper, we propose a causal prototype-inspired contrast
adaptation (CPCA) method to explore the invariant causal mechanisms between
different HRSIs domains and their semantic labels. It firstly disentangles
causal features and bias features from the source and target domain images
through a causal feature disentanglement module. Then, a causal prototypical
contrast module is used to learn domain invariant causal features. To further
de-correlate causal and bias features, a causal intervention module is
introduced to intervene on the bias features to generate counterfactual
unbiased samples. By forcing the causal features to meet the principles of
separability, invariance and intervention, CPCA can simulate the causal factors
of source and target domains, and make decisions on the target domain based on
the causal features, which can observe improved generalization ability.
Extensive experiments under three cross-domain tasks indicate that CPCA is
remarkably superior to the state-of-the-art methods.
- Abstract（参考訳）: 高解像度リモートセンシング画像(HRSI)のセマンティックセグメンテーションは、ドメインシフトに悩まされ、別の未確認領域におけるモデルの性能が低下する。
unsupervised domain adaptive(uda)セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたセマンティックセグメンテーションモデルを、ラベルなしのターゲットドメインに適応させることを目的としている。
しかし、既存のUDAセマンティックセグメンテーションモデルは、ソースおよびターゲットドメインデータのラベルに関する統計情報に基づいて画素や特徴を調整し、それに従って予測を行い、予測結果の不確実性と脆弱性をもたらす傾向にある。
本稿では、異なるHRSIsドメインとそれらのセマンティックラベル間の不変因果機構を探索するために、因果プロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。
まず、ソースとターゲットのドメインイメージから因果的特徴と偏見的特徴を因果的特徴非絡みモジュールで切り離す。
次に、因果型コントラストモジュールを使用して、ドメイン不変因果特徴を学習する。
因果的特徴とバイアス的特徴をさらに分離するために、因果的介入モジュールを導入し、バイアス的特徴に介入し、非バイアス的サンプルを生成する。
因果的特徴を分離性、分散性、介入の原則を満たすように強制することにより、CPCAはソースドメインとターゲットドメインの因果的要因をシミュレートし、因果的特徴に基づいて対象ドメインの決定を行い、一般化能力の向上を観察することができる。
3つのクロスドメインタスクによる広範囲な実験はcpcaが最先端の手法よりも優れていることを示している。
関連論文リスト
- Domain Generalization via Causal Adjustment for Cross-Domain Sentiment
Analysis [59.73582306457387]
クロスドメイン感情分析における領域一般化の問題に焦点をあてる。
本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。
一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
論文 参考訳（メタデータ） (2024-02-22T13:26:56Z) - Cross Contrasting Feature Perturbation for Domain Generalization [11.863319505696184]
ドメインの一般化は、目に見えないターゲットドメインをうまく一般化するソースドメインから堅牢なモデルを学ぶことを目的としています。
近年の研究では、ソースドメインに相補的な分布を多様化するための新しいドメインサンプルや特徴の生成に焦点が当てられている。
ドメインシフトをシミュレートするオンラインワンステージクロスコントラスト機能摂動フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-24T03:27:41Z) - CILF:Causality Inspired Learning Framework for Out-of-Distribution
Vehicle Trajectory Prediction [0.0]
軌道予測は自動運転車にとって重要である。
ほとんどの既存手法は、履歴軌跡(インプット)と将来の軌跡(アウトプット)の相関をモデル化する傾向がある
論文 参考訳（メタデータ） (2023-07-11T05:21:28Z) - Towards Source-free Domain Adaptive Semantic Segmentation via Importance-aware and Prototype-contrast Learning [26.544837987747766]
本稿では、Importance-Aware と Prototype-Contrast Learning を用いた、エンドツーエンドのソースフリードメイン適応セマンティックセマンティックセマンティクス手法を提案する。
提案したIAPCフレームワークは、訓練済みソースモデルからドメイン不変知識を効果的に抽出し、ラベルなしターゲットドメインからドメイン固有知識を学習する。
論文 参考訳（メタデータ） (2023-06-02T15:09:19Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - 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) - 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) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Interventional Domain Adaptation [81.0692660794765]
ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。
標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。
ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
論文 参考訳（メタデータ） (2020-11-07T09:53:13Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z) - Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN [15.976076198305414]
対象ドメインがラベルに依存しない状態で、ソースドメインがラベルリッチであるドメイン間の格差を低減するために、教師なしドメイン適応オブジェクト検出を提案する。
主ネットと独立補助ネットからなる非対称構造は、本質的に、刺激されたソースリスク崩壊のパラメータを共有することを克服する。
提案したAFF検出器の適応が保証される。
論文 参考訳（メタデータ） (2020-07-03T09:30:18Z)
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。