論文の概要: UDA4Inst: Unsupervised Domain Adaptation for Instance Segmentation
- arxiv url: http://arxiv.org/abs/2405.09682v4
- Date: Fri, 03 Jan 2025 19:25:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:03:21.448967
- Title: UDA4Inst: Unsupervised Domain Adaptation for Instance Segmentation
- Title（参考訳）: UDA4Inst: インスタンスセグメンテーションのための教師なしドメイン適応
- Authors: Yachan Guo, Yi Xiao, Danna Xue, Jose Luis Gomez Zurita, Antonio M. Lopez,
- Abstract要約: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ラベル付き合成データからラベル付き実世界のデータに知識を伝達する。
UDA法は, セマンティック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, 実世界のドメイン(合成から実世界のドメイン)に対して顕著な性能を示す。
textbfUDA4Instは、インスタンスセグメンテーションにおいて、シンセグメンテーションからリアル UDA への強力なフレームワークである。
- 参考スコア（独自算出の注目度）: 5.982874955955054
- License:
- Abstract: Instance segmentation is crucial for autonomous driving but is hindered by the lack of annotated real-world data due to expensive labeling costs. Unsupervised Domain Adaptation (UDA) offers a solution by transferring knowledge from labeled synthetic data to unlabeled real-world data. 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 have been proposed for instance segmentation in vision-based autonomous driving. Moreover, existing methods rely on suboptimal baselines, which severely limits performance. We introduce \textbf{UDA4Inst}, a powerful framework for synth-to-real UDA in instance segmentation. Our framework enhances instance segmentation through \textit{Semantic Category Training} and \textit{Bidirectional Mixing Training}. With the Semantic Category Training method, semantically related classes are grouped and trained separately, enabling the generation of higher-quality pseudo-labels and improved segmentation performance. We further propose a bidirectional cross-domain data mixing strategy that combines instance-wise and patch-wise mixing techniques to effectively utilize data from both source and target domains, producing realistic composite images that improve the model's generalization performance. Extensive experiments demonstrate the effectiveness of our methods. Our approach establishes a new state-of-the-art on the SYNTHIA->Cityscapes benchmark with mAP 31.3. Notably, we are the first to report results on multiple novel synth-to-real instance segmentation datasets, using UrbanSyn and Synscapes as source domains while Cityscapes and KITTI360 serve as target domains. Our code will be released soon.
- Abstract（参考訳）: インスタンスのセグメンテーションは自動運転には不可欠だが、高価なラベリングコストのため、注釈付き現実データがないために妨げられている。
Unsupervised Domain Adaptation (UDA)は、ラベル付き合成データからラベル付き実世界のデータに知識を移すことによって、ソリューションを提供する。
UDA法は, セマンティック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, 視覚に基づく自律運転におけるセグメンテーションなどはほとんど提案されていない。
さらに、既存のメソッドは、性能を著しく制限する、最適以下のベースラインに依存している。
インスタンスセグメンテーションにおいて、シンセグメンテーションからリアル UDA への強力なフレームワークである \textbf{UDA4Inst} を紹介する。
我々のフレームワークは、インスタンスセグメンテーションを \textit{Semantic Category Training} と \textit{Bidirectional Mixing Training} を通じて強化する。
セマンティックカテゴリー学習法では、セマンティック関連クラスを個別にグループ化し、訓練し、高品質な擬似ラベルの生成とセグメンテーション性能の向上を可能にする。
さらに、インスタンスワイドとパッチワイドの混合技術を組み合わせて、ソースドメインとターゲットドメインの両方のデータを有効に活用し、モデルの一般化性能を向上させる現実的な合成画像を生成する双方向クロスドメインデータ混合戦略を提案する。
大規模な実験により,本手法の有効性が示された。
提案手法は,mAP 31.3を用いたSynTHIA->Cityscapesベンチマークにおいて,新たな最先端技術を確立する。
特に、CityscapesとKITTI360がターゲットドメインであるのに対して、UrbanSynとSynscapesをソースドメインとして、複数の新しいシンセグメンテーションデータセットに関する結果を最初に報告する。
私たちのコードはまもなくリリースされるでしょう。
関連論文リスト
- 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) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - 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) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2021-08-28T01:33:38Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2021-05-05T11:55:53Z) - Geometric Unsupervised Domain Adaptation for Semantic Segmentation [35.492127636785824]
シミュレータは、セマンティックセグメンテーションのようなラベルが難しいタスクを完全に監督して、大量のラベル付き合成データを効率的に生成できます。
このギャップを橋渡しし、sim-to-real unsupervised domain adaptを改善するために、自己監視単眼深度推定をプロキシタスクとして使用する。
本手法は, 合成データの質や量によく対応し, 深度予測も改善する。
論文 参考訳（メタデータ） (2021-03-30T21:33:00Z) - Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for
Semantic Segmentation [34.790169990156684]
私たちは、少数のラベル付きターゲットデータと大量のラベル付きソースデータが利用可能である半監視ドメイン適応(SSDA)のより実用的な設定に焦点を当てています。
領域レベルとサンプルレベルのドメインギャップを低減する2種類のデータミキシング手法を提案する。
総合的視点と部分的視点から2段階の混合データに基づいて,2つの相補的ドメイン混合教師を得ることができる。
論文 参考訳（メタデータ） (2021-03-08T12:33:17Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z) - Unsupervised Domain Adaptation for Mobile Semantic Segmentation based on
Cycle Consistency and Feature Alignment [28.61782696432711]
実世界と合成表現のドメインシフト問題に対処する新しいUnsupervised Domain Adaptation (UDA)戦略を提案する。
提案手法は,合成データに基づいて訓練されたセグメンテーションネットワークを実世界のシナリオに適用することで,優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-01-14T10:12:20Z)
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。