論文の概要: Saliency Guided Image Warping for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2403.12712v2
• Date: Wed, 31 Jul 2024 02:33:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 20:15:23.108118
• Title: Saliency Guided Image Warping for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための親和性誘導画像ワープ
• Authors: Shen Zheng, Anurag Ghosh, Srinivasa G. Narasimhan,
• Abstract要約: 位置画像ワープを用いて、有能な対象領域に焦点を合わせることにより、UDAトレーニングを改善する。 我々は、オブジェクト領域を適応的にオーバーサンプリングするために、インスタンスレベルの正当性ガイダンスを設計する。 我々のアプローチは、地理、照明、気象条件の順応を改善します。
• 参考スコア（独自算出の注目度）: 19.144094571994756
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Driving is challenging in conditions like night, rain, and snow. The lack of good labeled datasets has hampered progress in scene understanding under such conditions. Unsupervised domain adaptation (UDA) using large labeled clear-day datasets is a promising research direction in such cases. Current UDA methods, however, treat all image pixels uniformly, leading to over-reliance on the dominant scene backgrounds (e.g., roads, sky, sidewalks) that appear dramatically different across domains. As a result, they struggle to learn effective features of smaller and often sparse foreground objects (e.g., people, vehicles, signs). In this work, we improve UDA training by using in-place image warping to focus on salient object regions. Our insight is that while backgrounds vary significantly across domains (e.g., snowy night vs. clear day), object appearances vary to a lesser extent. Therefore, we design instance-level saliency guidance to adaptively oversample object regions, which reduces adverse effects from background context and enhances backbone feature learning. We then unwarp the better learned features while adapting from source to target. Our approach improves adaptation across geographies, lighting, and weather conditions, and is agnostic to the task (segmentation, detection), domain adaptation algorithm, saliency guidance, and underlying model architecture. Result highlights include +6.1 mAP50 for BDD100K Clear $\rightarrow$ DENSE Foggy, +3.7 mAP50 for BDD100K Day $\rightarrow$ Night, +3.0 mAP50 for BDD100K Clear $\rightarrow$ Rainy, and +6.3 mIoU for Cityscapes $\rightarrow$ ACDC. Our method adds minimal training memory and incurs no additional inference latency. Please see Appendix for more results and analysis.
• Abstract（参考訳）: 夜間、雨、雪などでは運転が難しい。 良質なラベル付きデータセットの欠如は、そのような条件下でのシーン理解の進歩を妨げている。 大規模ラベル付き明日データセットを用いた教師なしドメイン適応(UDA)は、そのようなケースにおいて有望な研究方向である。 しかし、現在のUDA法では、すべての画像ピクセルを均一に処理し、ドメイン間で劇的に異なるシーン背景(道路、空、歩道など)に過度に依存する。 その結果、より小さく、しばしば疎い前景の物体(例えば、人、車、標識)の効果的な特徴を学ぶのに苦労した。 本研究は、位置画像ワープを用いて、有能な対象領域に焦点を合わせることにより、UDAトレーニングを改善するものである。 我々の洞察では、背景は領域によって大きく異なるが(例:雪の夜と晴れた日)、物体の外観はそれほど変化しない。 そこで我々は,背景環境からの悪影響を低減し,バックボーンの特徴学習を強化するため,オブジェクト領域を適応的にオーバーサンプリングするインスタンスレベルのサリエンシガイダンスを設計する。 そして、ソースからターゲットに適応しながら、より良い学習機能をアンウォープします。 提案手法は,地理,照明,気象条件の順応性を改善し,タスク(セグメンテーション,検出),ドメイン適応アルゴリズム,サリエンシガイダンス,基礎となるモデルアーキテクチャに依存しない。 結果のハイライトは、BDD100K Clear $\rightarrow$ DENSE Foggy, +3.7 mAP50 for BDD100K Day $\rightarrow$ Night, +3.0 mAP50 for BDD100K Clear $\rightarrow$ Rainy, +6.3 mooU for Cityscapes $\rightarrow$ ACDCである。 我々の方法は、最小限のトレーニングメモリを追加し、追加の推論遅延を発生させない。 さらなる結果と分析については、Appendixをご覧ください。

関連論文リスト

• Enhancing Autonomous Vehicle Perception in Adverse Weather through Image Augmentation during Semantic Segmentation Training [0.0]
  我々は,エンコーダ・デコーダUNetモデルを訓練し,セマンティックセグメンテーション拡張を行った。 天気データに基づいてトレーニングされたモデルは、晴れた日を除いて、すべての条件でトレーニングされたデータよりも著しく損失が小さい。
  論文  参考訳（メタデータ） (2024-08-14T00:08:28Z)
• RoScenes: A Large-scale Multi-view 3D Dataset for Roadside Perception [98.76525636842177]
  RoScenesは、最大規模のマルチビューロードサイド認識データセットである。 私たちのデータセットは、驚くべき21.13Mの3Dアノテーションを64,000$m2$で達成しています。
  論文  参考訳（メタデータ） (2024-05-16T08:06:52Z)
• DTBS: Dual-Teacher Bi-directional Self-training for Domain Adaptation in Nighttime Semantic Segmentation [1.7205106391379026]
  夜間の状況は、自動運転車の認識システムにとって大きな課題となる。 非教師なし領域適応(UDA)は、そのような画像のセマンティックセグメンテーションに広く応用されている。 本研究では,スムーズな知識伝達とフィードバックのためのDTBS(Dual-Teacher Bi-directional Self-Tning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-02T06:56:57Z)
• The Change You Want to See (Now in 3D) [65.61789642291636]
  本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。 我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。 我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
  論文  参考訳（メタデータ） (2023-08-21T01:59:45Z)
• MIC: Masked Image Consistency for Context-Enhanced Domain Adaptation [104.40114562948428]
  教師なしドメイン適応(UDA)では、ソースデータ(例えば、合成)に基づいて訓練されたモデルは、ターゲットアノテーションにアクセスすることなく、ターゲットデータ(例えば、現実世界)に適応する。 本研究では,対象領域の空間的コンテキスト関係を学習し,UDAを向上するMasked Image Consistency (MIC)モジュールを提案する。 MICは、合成からリアルタイム、日夜、クリア・ツー・リバース・ウェザーUDAの様々な認識タスクにおいて、最先端の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-02T17:29:32Z)
• Improving Pixel-Level Contrastive Learning by Leveraging Exogenous Depth Information [7.561849435043042]
  近年,コントラスト学習(CL)に基づく自己指導型表現学習が注目されている。 本稿では,深度ネットワークを用いたり,利用可能なデータから測定したりすることで得られる深度情報に焦点を当てる。 比較損失におけるこの推定情報を用いることで、結果が改善され、学習された表現がオブジェクトの形状に従うのがよいことを示す。
  論文  参考訳（メタデータ） (2022-11-18T11:45:39Z)
• HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentation [104.47737619026246]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメインでトレーニングされたモデルを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。 我々は,小作物の強度を組み合わして細分化の詳細を保存した多分解能トレーニング手法HRDAを提案する。 GTA-to-Cityscapesは5.5 mIoU、Synthia-to-Cityscapesは4.9 mIoUである。
  論文  参考訳（メタデータ） (2022-04-27T18:00:26Z)
• Danish Airs and Grounds: A Dataset for Aerial-to-Street-Level Place Recognition and Localization [9.834635805575584]
  我々は,この事例を対象とする道路や航空画像の大規模な収集であるemphDanish Airs and Groundsデータセットにコントリビュートする。 データセットは、都市部、郊外部、農村部で50km以上の道路を含む、現在利用可能なデータよりも大きく、多様である。 そこで本研究では,まず空中画像から高密度な3次元再構成を推定し,検索したストリートレベルの画像と3次元モデルのストリートレベルのレンダリングをマッチングするマップ・ツー・イメージ再配置パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-02-03T19:58:09Z)
• SF-UDA$^{3D}$: Source-Free Unsupervised Domain Adaptation for LiDAR-Based 3D Object Detection [66.63707940938012]
  LiDAR点雲のみに基づく3Dオブジェクト検出器は、現代のストリートビューベンチマークの最先端を保っている。 本稿ではSF-UDA$3D$で最先端のPointRCNN 3D検出器をドメイン適応し、アノテーションのないドメインをターゲットにする。
  論文  参考訳（メタデータ） (2020-10-16T08:44:49Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)
• Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
  ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。 最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。 そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。 近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-05-26T07:32:09Z)

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。