論文の概要: FREST: Feature RESToration for Semantic Segmentation under Multiple Adverse Conditions

• arxiv url: http://arxiv.org/abs/2407.13437v1
• Date: Thu, 18 Jul 2024 12:07:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 15:30:45.985646
• Title: FREST: Feature RESToration for Semantic Segmentation under Multiple Adverse Conditions
• Title（参考訳）: FREST: 複数の逆条件下でのセマンティックセグメンテーションのためのFeature RESToration
• Authors: Sohyun Lee, Namyup Kim, Sungyeon Kim, Suha Kwak,
• Abstract要約: FRESTは、セマンティックセグメンテーションのソースフリードメイン適応(SFDA)を悪条件に適応するための、新しい機能回復フレームワークである。 FRESTは、FDAの有害な状態に対する2つの公開ベンチマークで、最先端の技術を達成している。 目に見えないデータセットに対して優れた一般化能力を示す。
• 参考スコア（独自算出の注目度）: 35.243694861973715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust semantic segmentation under adverse conditions is crucial in real-world applications. To address this challenging task in practical scenarios where labeled normal condition images are not accessible in training, we propose FREST, a novel feature restoration framework for source-free domain adaptation (SFDA) of semantic segmentation to adverse conditions. FREST alternates two steps: (1) learning the condition embedding space that only separates the condition information from the features and (2) restoring features of adverse condition images on the learned condition embedding space. By alternating these two steps, FREST gradually restores features where the effect of adverse conditions is reduced. FREST achieved a state of the art on two public benchmarks (i.e., ACDC and RobotCar) for SFDA to adverse conditions. Moreover, it shows superior generalization ability on unseen datasets.
• Abstract（参考訳）: 悪条件下でのロバストなセマンティックセグメンテーションは、現実世界の応用において不可欠である。 ラベル付き正規条件画像がトレーニングでアクセスできない現実的なシナリオにおいて、この課題に対処するため、本研究では、セマンティックセマンティックセグメンテーションのソースフリードメイン適応(SFDA)のための新しい機能回復フレームワークであるFRESTを提案する。 FRESTは,(1)条件情報のみを分離する条件埋め込み空間の学習,(2)条件埋め込み空間上の条件画像の特徴の復元という2つのステップを交互に行う。 これら2つのステップを交互に行うことで、FRESTは、悪条件の影響が減少する特徴を徐々に回復する。 FRESTは、FDAの有害な状態に対する2つの公開ベンチマーク(ACDCとRobotCar)で最先端を達成した。 さらに、目に見えないデータセットに対して優れた一般化能力を示す。

関連論文リスト

• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Test-Time Training for Semantic Segmentation with Output Contrastive Loss [12.535720010867538]
  ディープラーニングベースのセグメンテーションモデルは、公開ベンチマークで印象的なパフォーマンスを達成したが、目に見えない環境にうまく一般化することは、依然として大きな課題である。 本稿では、適応過程を安定させるために、頑健で一般化された表現を学習する能力で知られるコントラストロス(OCL)を紹介する。 本手法は,テスト領域データに対するドメイン適応法を用いて事前学習したモデルに適用した場合においても優れ,そのレジリエンスと適応性を示す。
  論文  参考訳（メタデータ） (2023-11-14T03:13:47Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• VBLC: Visibility Boosting and Logit-Constraint Learning for Domain Adaptive Semantic Segmentation under Adverse Conditions [31.992504022101215]
  正常な視覚条件で訓練されたモデルを用いて、悪条件下でのドメインを対象とするモデルを一般化することは、実用システムにおいて要求される。 本稿では,VBLC(Visibility Boosting and Logit-Constraint Learning)を提案する。 VBLCは、基準画像を取り除き、同時に有害な条件の混合を解消する可能性を探る。
  論文  参考訳（メタデータ） (2022-11-22T13:16:41Z)
• Refign: Align and Refine for Adaptation of Semantic Segmentation to Adverse Conditions [78.71745819446176]
  Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。 Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。 このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
  論文  参考訳（メタデータ） (2022-07-14T11:30:38Z)
• Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
  本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。 提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-23T19:59:04Z)
• Exploiting Negative Learning for Implicit Pseudo Label Rectification in Source-Free Domain Adaptive Semantic Segmentation [12.716865774780704]
  ソースフリードメイン適応(SFDA)のための最先端の手法は厳格な制限を受ける。 textitPR-SFDA は 49.0 mIoU を達成している。
  論文  参考訳（メタデータ） (2021-06-23T02:20:31Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。