論文の概要: Adversarial Defense Teacher for Cross-Domain Object Detection under Poor Visibility Conditions

• arxiv url: http://arxiv.org/abs/2403.15786v1
• Date: Sat, 23 Mar 2024 10:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:02:48.406851
• Title: Adversarial Defense Teacher for Cross-Domain Object Detection under Poor Visibility Conditions
• Title（参考訳）: 低視認性条件下でのクロスドメイン物体検出のための対人防御教師
• Authors: Kaiwen Wang, Yinzhe Shen, Martin Lauer,
• Abstract要約: クロスドメインオブジェクト検出器は、トレーニングと実世界のデータ間のドメインシフトを扱う上で、課題に直面します。 本稿では,対人防衛教育(ADT:Adversarial Defense Teacher)というフレームワークについて紹介する。 以上の結果から,ADTはFogy Cityscapesで54.5%のmAPを達成した。
• 参考スコア（独自算出の注目度）: 4.641733276587937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing object detectors encounter challenges in handling domain shifts between training and real-world data, particularly under poor visibility conditions like fog and night. Cutting-edge cross-domain object detection methods use teacher-student frameworks and compel teacher and student models to produce consistent predictions under weak and strong augmentations, respectively. In this paper, we reveal that manually crafted augmentations are insufficient for optimal teaching and present a simple yet effective framework named Adversarial Defense Teacher (ADT), leveraging adversarial defense to enhance teaching quality. Specifically, we employ adversarial attacks, encouraging the model to generalize on subtly perturbed inputs that effectively deceive the model. To address small objects under poor visibility conditions, we propose a Zoom-in Zoom-out strategy, which zooms-in images for better pseudo-labels and zooms-out images and pseudo-labels to learn refined features. Our results demonstrate that ADT achieves superior performance, reaching 54.5% mAP on Foggy Cityscapes, surpassing the previous state-of-the-art by 2.6% mAP.
• Abstract（参考訳）: 既存の物体検出器は、特に霧や夜のような視界の悪い条件下で、トレーニングと実世界のデータのドメインシフトを扱う際に困難に直面する。 カット・エッジ・クロスドメイン・オブジェクト検出手法では,教師が学習するフレームワークと,教師と生徒のモデルを用いて,弱体化と強体化による一貫した予測をそれぞれ生成する。 本稿では,手作業による強化が最適指導には不十分であることを明らかにするとともに,対人防御を活用して教育の質を高めるためのシンプルな枠組みであるAdversarial Defense Teacher (ADT)を提案する。 具体的には、敵攻撃を採用し、モデルを効果的に欺く微弱な摂動入力を一般化するようモデルに促す。 視認性に乏しい小物体に対処するため,ズームイン型ズームアウト方式を提案する。 以上の結果から,ADTはFogdy Cityscapesで54.5%mAPに達し,従来の2.6%mAPを上回った。

関連論文リスト

• Prompt-Driven Contrastive Learning for Transferable Adversarial Attacks [42.18755809782401]
  PDCL-Attackと呼ばれる新しいトランスファー攻撃法を提案する。 テキストのセマンティック表現力を利用して効果的なプロンプト駆動型特徴ガイダンスを定式化する。
  論文  参考訳（メタデータ） (2024-07-30T08:52:16Z)
• FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification [10.911464455072391]
  FACTUALは、逆行訓練と堅牢なSAR分類のためのコントラストラーニングフレームワークである。 本モデルでは, 洗浄試料の99.7%, 摂動試料の89.6%の精度が得られた。
  論文  参考訳（メタデータ） (2024-04-04T06:20:22Z)
• Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
  リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。 本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。 具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
  論文  参考訳（メタデータ） (2024-03-20T08:15:18Z)
• HASSOD: Hierarchical Adaptive Self-Supervised Object Detection [29.776467276826747]
  Hierarchical Adaptive Self-Supervised Object Detection (HASSOD)は、オブジェクトを検出し、人間の監督なしにそれらの構成を理解することを学ぶ新しいアプローチである。 我々は、自己教師付き視覚表現に基づいて、領域をオブジェクトマスクにグループ化する階層的適応クラスタリング戦略を採用した。 HASSODは、マスク間のカバレッジ関係を分析し、木構造を構築することで、構成の観点からオブジェクトの階層的なレベルを識別する。
  論文  参考訳（メタデータ） (2024-02-05T18:59:41Z)
• Contrastive Mean Teacher for Domain Adaptive Object Detectors [20.06919799819326]
  平均教師の自己学習は、オブジェクト検出のための教師なしドメイン適応において強力なパラダイムであるが、低品質の擬似ラベルに苦しむ。 提案するContrastive Mean Teacher (CMT)は、2つのパラダイムが自然に統合され、有益な学習信号が最大化される統一的汎用フレームワークである。 CMTは、Fogdy Cityscapesで51.9%のmAPを達成し、これまでで最高の2.1%のmAPを達成している。
  論文  参考訳（メタデータ） (2023-05-04T17:55:17Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• UDA-COPE: Unsupervised Domain Adaptation for Category-level Object Pose Estimation [84.16372642822495]
  我々は、textbfUDA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のための教師なしドメイン適応(UDA)を提案する。 近年のマルチモーダルなUDA手法に触発された提案手法は,教師が指導する自己教師型学習手法を利用して,ターゲットドメインラベルを使わずにポーズ推定ネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-11-24T16:00:48Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Dual Manifold Adversarial Robustness: Defense against Lp and non-Lp Adversarial Attacks [154.31827097264264]
  敵の訓練は、境界Lpノルムを持つ攻撃脅威モデルに対する一般的な防衛戦略である。 本稿では,2次元マニフォールド逆行訓練(DMAT)を提案する。 我々のDMATは、通常の画像の性能を改善し、Lp攻撃に対する標準的な敵の訓練と同等の堅牢性を達成する。
  論文  参考訳（メタデータ） (2020-09-05T06:00:28Z)
• Stylized Adversarial Defense [105.88250594033053]
  逆行訓練は摂動パターンを生成し、モデルを堅牢化するためのトレーニングセットにそれらを含む。 我々は、より強力な敵を作るために、機能空間から追加情報を活用することを提案する。 我々の対人訓練アプローチは、最先端の防御と比べて強い堅牢性を示している。
  論文  参考訳（メタデータ） (2020-07-29T08:38:10Z)
• Topological Effects on Attacks Against Vertex Classification [61.62383779296796]
  本稿では,グラフの2つのトポロジ的特徴を考察し,これらの特徴がグラフを乱さなければならない量に与える影響について考察する。 トレーニングセットに特定の頂点が組み込まれている場合、敵の要求する摂動予算を実質的に満たすことが可能であることを示す。 特に簡単なターゲット(たった1つか2つの摂動の後に誤って分類されるもの)であっても、パフォーマンスの劣化ははるかに遅く、誤ったクラスにずっと低い確率を割り当てる。
  論文  参考訳（メタデータ） (2020-03-12T14:37:57Z)

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。