Fugu-MT 論文翻訳(概要): Synth-to-Real Unsupervised Domain Adaptation for Instance Segmentation

論文の概要: Synth-to-Real Unsupervised Domain Adaptation for Instance Segmentation

arxiv url: http://arxiv.org/abs/2405.09682v2
Date: Wed, 22 May 2024 16:37:01 GMT
ステータス: 処理完了
システム内更新日: 2024-05-25 04:51:43.424487
Title: Synth-to-Real Unsupervised Domain Adaptation for Instance Segmentation
Title（参考訳）: インスタンス分割のためのSynth-to-Realunsupervised Domain Adaptation
Authors: Yachan Guo, Yi Xiao, Danna Xue, Jose Luis Gomez Zurita, Antonio M. López,
Abstract要約: Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから未ラベルの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。 UDA4Instは、自律運転における例分割のための合成から現実のUDAのモデルである。
参考スコア（独自算出の注目度）: 11.210987095656224
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised Domain Adaptation (UDA) aims to transfer knowledge learned from a labeled source domain to an unlabeled target domain. While UDA methods for synthetic to real-world domains (synth-to-real) show remarkable performance in tasks such as semantic segmentation and object detection, very few were proposed for the instance segmentation task. In this paper, we introduce UDA4Inst, a model of synth-to-real UDA for instance segmentation in autonomous driving. We propose a novel cross-domain bidirectional data mixing method at the instance level to fully leverage the data from both source and target domains. Rare-class balancing and category module training are also employed to further improve the performance. It is worth noting that we are the first to demonstrate results on two new synth-to-real instance segmentation benchmarks, with 39.0 mAP on UrbanSyn->Cityscapes and 35.7 mAP on Synscapes->Cityscapes. UDA4Inst also achieves the state-of-the-art result on SYNTHIA->Cityscapes with 31.3 mAP, +15.6 higher than the latest approach. Our code will be released.
Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから未ラベルの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。 UDA法は, 意味的セグメンテーションやオブジェクト検出などのタスクにおいて顕著な性能を示すが, インスタンスセグメンテーションタスクでは極めて少ない。本稿では,自律運転におけるインスタンスセグメント化のための合成現実UDAモデルであるUDA4Instを紹介する。本稿では、ソースドメインとターゲットドメインの両方からのデータを完全に活用するために、インスタンスレベルでの新しいドメイン間双方向データ混合手法を提案する。希少なクラスバランスとカテゴリモジュールのトレーニングも、パフォーマンスの向上のために採用されている。このベンチマークはUrbanSyn->Cityscapesで39.0 mAP、Synscapes->Cityscapesで35.7 mAPである。 UDA4Instはまた、最新のアプローチよりも31.3 mAP, +15.6高いSynTHIA->Cityscapesの最先端の結果も達成している。私たちのコードは解放されます。

関連論文リスト

Style Adaptation for Domain-adaptive Semantic Segmentation [2.1365683052370046]
ドメインの不一致は、ターゲットドメインに適用した場合、ソースドメインデータに基づいてトレーニングされた一般的なネットワークモデルの性能を著しく低下させる。パラメータ計算を必要とせず、自己学習に基づくUDA手法とシームレスに統合する。提案手法は,GTA->Cityscapesデータセット上で76.93 mIoUの有意なUDA性能を達成し,過去の成果に比べて+1.03ポイント向上したことを示す。
論文参考訳（メタデータ） (2024-04-25T02:51:55Z)
Density-guided Translator Boosts Synthetic-to-Real Unsupervised Domain Adaptive Segmentation of 3D Point Clouds [36.26157749644684]
3次元合成-非教師なしドメイン適応セグメンテーションは、新しいドメインのアノテートに不可欠である。本稿では,ドメイン間の点密度を変換し,DGT-STという2段階の自己学習パイプラインに統合する密度誘導型トランスレータを提案する。 2つの合成と実のセグメンテーションタスクの実験は、DGT-STが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2024-03-27T11:28:57Z)
Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-08-28T14:43:36Z)
UDApter -- Efficient Domain Adaptation Using Adapters [29.70751969196527]
教師なし領域適応をより効率的にするための2つの手法を提案する。最初のメソッドは、UDAを2段階のプロセスに分解する。私たちは、完全なモデルパラメータのごく一部を微調整することで、自然言語推論タスクの0.85% F1以内です。
論文参考訳（メタデータ） (2023-02-07T02:04:17Z)
Fake it, Mix it, Segment it: Bridging the Domain Gap Between Lidar Sensors [0.966840768820136]
ライダーセグメンテーションのための最高のニューラルネットワークは、特定のデータセットに微調整される。新しいセンサーから注釈付きデータのセットを再トレーニングせずにライダーセンサーを切り替えるとドメインシフトが発生するそこで我々は,注釈付きパノプティカル・ライダー・データセットを用いて,異なるライダー・センサの構造に記録されたシーンを再現するライダー・ドメイン適応法を提案する。
論文参考訳（メタデータ） (2022-12-19T14:57:13Z)
Exploiting Instance-based Mixed Sampling via Auxiliary Source Domain Supervision for Domain-adaptive Action Detection [75.38704117155909]
本稿では,新しいドメイン適応型行動検出手法と新しい適応プロトコルを提案する。クロスドメイン混合サンプリングと組み合わせた自己学習は、UDAコンテキストにおいて顕著なパフォーマンス向上を示した。我々は提案したフレームワークをドメイン適応アクション・インスタンス・ミックス(DA-AIM)と呼ぶ。
論文参考訳（メタデータ） (2022-09-28T22:03:25Z)
UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
論文参考訳（メタデータ） (2021-12-16T01:22:59Z)
Plugging Self-Supervised Monocular Depth into Unsupervised Domain Adaptation for Semantic Segmentation [19.859764556851434]
セマンティックセグメンテーションのためのUDAを改善するために,自己教師付き単眼深度推定手法を提案する。我々の提案では,GTA5->CSベンチマークで最先端性能(58.8 mIoU)を達成することができる。
論文参考訳（メタデータ） (2021-10-13T12:48:51Z)
Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
論文参考訳（メタデータ） (2021-10-04T13:09:56Z)
Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-03-25T14:33:33Z)
Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文参考訳（メタデータ） (2020-12-04T14:28:19Z)

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。