論文の概要: Unsupervised Domain Adaptive Lane Detection via Contextual Contrast and Aggregation

• arxiv url: http://arxiv.org/abs/2407.13328v1
• Date: Thu, 18 Jul 2024 09:29:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:00:23.962792
• Title: Unsupervised Domain Adaptive Lane Detection via Contextual Contrast and Aggregation
• Title（参考訳）: コンテキストコントラストとアグリゲーションによる教師なしドメイン適応レーン検出
• Authors: Kunyang Zhou, Yunjian Feng, Jun Li,
• Abstract要約: 既存の車線検出方法は、列車検出モデルに画素単位のクロスエントロピー損失を利用する。 ドメイン間の知識伝達に不可欠なドメイン間コンテキスト依存性は、既存のレーン検出手法では探索されていない。 本稿では,コンテキストコントラスト・アグリゲーション(DACCA)を用いた領域適応車線検出手法を提案する。
• 参考スコア（独自算出の注目度）: 3.105187291566825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper focuses on two crucial issues in domain-adaptive lane detection, i.e., how to effectively learn discriminative features and transfer knowledge across domains. Existing lane detection methods usually exploit a pixel-wise cross-entropy loss to train detection models. However, the loss ignores the difference in feature representation among lanes, which leads to inefficient feature learning. On the other hand, cross-domain context dependency crucial for transferring knowledge across domains remains unexplored in existing lane detection methods. This paper proposes a method of Domain-Adaptive lane detection via Contextual Contrast and Aggregation (DACCA), consisting of two key components, i.e., cross-domain contrastive loss and domain-level feature aggregation, to realize domain-adaptive lane detection. The former can effectively differentiate feature representations among categories by taking domain-level features as positive samples. The latter fuses the domain-level and pixel-level features to strengthen cross-domain context dependency. Extensive experiments show that DACCA significantly improves the detection model's performance and outperforms existing unsupervised domain adaptive lane detection methods on six datasets, especially achieving the best performance when transferring from CULane to Tusimple (92.10% accuracy), Tusimple to CULane (41.9% F1 score), OpenLane to CULane (43.0% F1 score), and CULane to OpenLane (27.6% F1 score).
• Abstract（参考訳）: 本稿では、ドメイン適応車線検出における2つの重要な問題、すなわち、識別的特徴を効果的に学習し、ドメイン間で知識を伝達する方法に焦点を当てる。 既存の車線検出法は通常、列車検出モデルに画素単位のクロスエントロピー損失を利用する。 しかし、この損失は車線間の特徴表現の違いを無視し、非効率な特徴学習につながる。 一方,既存のレーン検出手法では,ドメイン間の知識伝達に重要なドメイン間コンテキスト依存性が探索されていない。 本稿では,ドメイン・コントラスト・アグリゲーション(DACCA)を用いたドメイン・アダプティブ・レーン検出手法を提案し,ドメイン・アダプティブ・レーン検出を実現する。 前者は、ドメインレベルの特徴を正のサンプルとすることで、カテゴリ間の特徴表現を効果的に区別することができる。 後者はドメインレベルの機能とピクセルレベルの機能を融合させ、ドメイン間のコンテキスト依存性を強化する。 特にCULaneからTusimple(92.10%の精度)、TusimpleからCULane(41.9%のF1スコア)、OpenLaneからCULane(43.0%のF1スコア)、OpenLane(27.6%のF1スコア)、CULaneからOpenLane(27.6%のF1スコア)の6つのデータセットにおいて、DACCAは検出モデルの性能を大幅に改善し、既存の教師なしドメイン適応レーン検出手法よりも優れていた。

関連論文リスト

• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• Multi-level Domain Adaptation for Lane Detection [16.697940571230266]
  本稿では,3つのピクセル,例,カテゴリのセマンティックレベルにおいて,クロスドメインレーン検出を扱うための新しい視点を提案する。 特に画素レベルでは,車線と背景の不均衡な信頼分布に対処するために,自己学習にクラス間信頼制約を適用することを提案する。 カテゴリレベルでは,適応時の車線前位置を利用する適応型ドメイン間埋め込みモジュールを提案する。
  論文  参考訳（メタデータ） (2022-06-21T19:20:11Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• 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)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。