論文の概要: Toward Improving Robustness of Object Detectors Against Domain Shift

• arxiv url: http://arxiv.org/abs/2403.12049v1
• Date: Sat, 2 Dec 2023 04:15:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:46:43.522494
• Title: Toward Improving Robustness of Object Detectors Against Domain Shift
• Title（参考訳）: ドメインシフトに対する物体検出器のロバスト性向上に向けて
• Authors: Le-Anh Tran, Chung Nguyen Tran, Dong-Chul Park, Jordi Carrabina, David Castells-Rufas,
• Abstract要約: 本稿では,駆動対象検出器のドメインシフトに対するロバスト性を向上させるためのデータ拡張手法を提案する。 YOLOv4をベースオブジェクト検出器として採用することにより、ソースデータとターゲットドメインデータの両方に顕著な改善が見られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a data augmentation method for improving the robustness of driving object detectors against domain shift. Domain shift problem arises when there is a significant change between the distribution of the source data domain used in the training phase and that of the target data domain in the deployment phase. Domain shift is known as one of the most popular reasons resulting in the considerable drop in the performance of deep neural network models. In order to address this problem, one effective approach is to increase the diversity of training data. To this end, we propose a data synthesis module that can be utilized to train more robust and effective object detectors. By adopting YOLOv4 as a base object detector, we have witnessed a remarkable improvement in performance on both the source and target domain data. The code of this work is publicly available at https://github.com/tranleanh/haze-synthesis.
• Abstract（参考訳）: 本稿では,駆動対象検出器のドメインシフトに対するロバスト性を向上させるためのデータ拡張手法を提案する。 ドメインシフト問題は、トレーニングフェーズで使用されるソースデータドメインの分布とデプロイメントフェーズでターゲットデータドメインの分布に重大な変化がある場合に発生する。 ドメインシフトは、ディープニューラルネットワークモデルの性能が大幅に低下する最も一般的な理由の1つとして知られている。 この問題に対処するためには、トレーニングデータの多様性を高めるための効果的なアプローチがある。 そこで本研究では,より堅牢で効果的な物体検出装置の訓練に利用できるデータ合成モジュールを提案する。 YOLOv4をベースオブジェクト検出器として採用することにより、ソースデータとターゲットドメインデータの両方のパフォーマンスが大幅に向上するのを目撃した。 この研究のコードはhttps://github.com/tranleanh/haze- synthesisで公開されている。

関連論文リスト

• Target-centered Subject Transfer Framework for EEG Data Augmentation [1.3955252961896323]
  データ拡張手法として,ターゲット中心のオブジェクト転送フレームワークを提案する。 ソースデータのサブセットが最初に構築され、ソース・ターゲット関連性を最大化する。 提案するフレームワークは,ノイズではなく,付加的な実データを追加することで,対象ドメインの説明可能性を高める。
  論文  参考訳（メタデータ） (2022-11-24T01:42:50Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• 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)
• 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)
• Adversarially Trained Object Detector for Unsupervised Domain Adaptation [4.9631159466100305]
  我々は、教師なし領域適応のための新しいアプローチとして、ソース領域における敵の訓練を適用できることを実証する。 そこで本稿では,頑健な特徴と目標領域とのアライメントを改善するために,対角的トレーニングと特徴アライメントを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2021-09-13T07:21:28Z)
• 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)
• Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
  ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。 本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。 私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
  論文  参考訳（メタデータ） (2021-08-02T15:24:40Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)

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。