論文の概要: Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2404.10322v1
• Date: Tue, 16 Apr 2024 07:07:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 17:52:48.238140
• Title: Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation
• Title（参考訳）: クロスドメインFew-Shotセグメンテーションのためのドメイン修正アダプタ
• Authors: Jiapeng Su, Qi Fan, Guangming Lu, Fanglin Chen, Wenjie Pei,
• Abstract要約: 多様なターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを提案する。 アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。 提案手法は,ドメイン間複数ショットセマンティックセマンティックセグメンテーションタスクにおいて有望な結果を得る。
• 参考スコア（独自算出の注目度）: 40.667166043101076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Few-shot semantic segmentation (FSS) has achieved great success on segmenting objects of novel classes, supported by only a few annotated samples. However, existing FSS methods often underperform in the presence of domain shifts, especially when encountering new domain styles that are unseen during training. It is suboptimal to directly adapt or generalize the entire model to new domains in the few-shot scenario. Instead, our key idea is to adapt a small adapter for rectifying diverse target domain styles to the source domain. Consequently, the rectified target domain features can fittingly benefit from the well-optimized source domain segmentation model, which is intently trained on sufficient source domain data. Training domain-rectifying adapter requires sufficiently diverse target domains. We thus propose a novel local-global style perturbation method to simulate diverse potential target domains by perturbating the feature channel statistics of the individual images and collective statistics of the entire source domain, respectively. Additionally, we propose a cyclic domain alignment module to facilitate the adapter effectively rectifying domains using a reverse domain rectification supervision. The adapter is trained to rectify the image features from diverse synthesized target domains to align with the source domain. During testing on target domains, we start by rectifying the image features and then conduct few-shot segmentation on the domain-rectified features. Extensive experiments demonstrate the effectiveness of our method, achieving promising results on cross-domain few-shot semantic segmentation tasks. Our code is available at https://github.com/Matt-Su/DR-Adapter.
• Abstract（参考訳）: Few-shot semantic segmentation (FSS)は、いくつかの注釈付きサンプルでサポートされている新しいクラスのセグメンテーションオブジェクトにおいて大きな成功を収めている。 しかしながら、既存のFSSメソッドは、特にトレーニング中に目に見えない新しいドメインスタイルに遭遇した場合、ドメインシフトの存在下ではパフォーマンスが低下することが多い。 数ショットのシナリオでは、モデル全体を新しいドメインに直接適応または一般化することが最適です。 その代わり、私たちのキーとなるアイデアは、さまざまなターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを適用することです。 したがって、修正されたターゲットドメイン機能は、十分なソースドメインデータに基づいて熱心に訓練された、十分に最適化されたソースドメインセグメンテーションモデルの恩恵を受けることができる。 ドメイン修正アダプタのトレーニングには、十分に多様なターゲットドメインが必要である。 そこで本研究では,各画像の特徴チャネル統計とソース領域全体の集合統計を摂動することで,多種多様なターゲットドメインをシミュレートする,新たなローカル・グローバル・スタイルの摂動法を提案する。 さらに、逆のドメイン修正管理を用いて、アダプタが効果的にドメインを修正できるようにする環状ドメインアライメントモジュールを提案する。 アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。 対象のドメイン上でのテストでは、まずイメージの機能を修正し、ドメインの修正された機能に対して数ショットのセグメンテーションを実行する。 提案手法の有効性を実証し,ドメイン間数ショットのセマンティックセマンティックセマンティクスタスクにおいて有望な結果が得られた。 私たちのコードはhttps://github.com/Matt-Su/DR-Adapter.comから入手可能です。

関連論文リスト

• 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)
• ADAS: A Direct Adaptation Strategy for Multi-Target Domain Adaptive Semantic Segmentation [12.148050135641583]
  ドメイン間の視覚的属性を整列するマルチターゲットドメイン転送ネットワーク(MTDT-Net)を設計する。 また、クラスラベル間の属性のあいまいさを低減する双方向適応型領域選択(BARS)を提案する。 本手法は,セマンティックセグメンテーションにおいて複数のドメインに直接適応する最初のMTDA法である。
  論文  参考訳（メタデータ） (2022-03-14T01:55:42Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• 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)
• Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
  モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。 ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。 実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
  論文  参考訳（メタデータ） (2021-03-19T01:22:12Z)
• Multi-Source Domain Adaptation with Collaborative Learning for Semantic Segmentation [32.95273803359897]
  マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。 セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T12:51:42Z)

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。