論文の概要: Enhancing Source-Free Domain Adaptive Object Detection with Low-confidence Pseudo Label Distillation

• arxiv url: http://arxiv.org/abs/2407.13524v1
• Date: Thu, 18 Jul 2024 13:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 15:10:55.451189
• Title: Enhancing Source-Free Domain Adaptive Object Detection with Low-confidence Pseudo Label Distillation
• Title（参考訳）: 低信頼 Pseudo Label 蒸留によるソースフリー領域適応物体検出の強化
• Authors: Ilhoon Yoon, Hyeongjun Kwon, Jin Kim, Junyoung Park, Hyunsung Jang, Kwanghoon Sohn,
• Abstract要約: Source-Free Domain Adaptive Object Detection (SFOD)は、トレーニング済みの検出器を新しい未ラベルのドメインにデプロイするための有望な戦略である。 本稿では,低信頼 Pseudo Label Distillation (LPLD) の損失を平均教師に基づくSFODフレームワークに導入する。 本手法は,4つのクロスドメインオブジェクト検出ベンチマークにおいて,従来のSFOD法よりも優れていた。
• 参考スコア（独自算出の注目度）: 37.57363656691405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-Free domain adaptive Object Detection (SFOD) is a promising strategy for deploying trained detectors to new, unlabeled domains without accessing source data, addressing significant concerns around data privacy and efficiency. Most SFOD methods leverage a Mean-Teacher (MT) self-training paradigm relying heavily on High-confidence Pseudo Labels (HPL). However, these HPL often overlook small instances that undergo significant appearance changes with domain shifts. Additionally, HPL ignore instances with low confidence due to the scarcity of training samples, resulting in biased adaptation toward familiar instances from the source domain. To address this limitation, we introduce the Low-confidence Pseudo Label Distillation (LPLD) loss within the Mean-Teacher based SFOD framework. This novel approach is designed to leverage the proposals from Region Proposal Network (RPN), which potentially encompasses hard-to-detect objects in unfamiliar domains. Initially, we extract HPL using a standard pseudo-labeling technique and mine a set of Low-confidence Pseudo Labels (LPL) from proposals generated by RPN, leaving those that do not overlap significantly with HPL. These LPL are further refined by leveraging class-relation information and reducing the effect of inherent noise for the LPLD loss calculation. Furthermore, we use feature distance to adaptively weight the LPLD loss to focus on LPL containing a larger foreground area. Our method outperforms previous SFOD methods on four cross-domain object detection benchmarks. Extensive experiments demonstrate that our LPLD loss leads to effective adaptation by reducing false negatives and facilitating the use of domain-invariant knowledge from the source model. Code is available at https://github.com/junia3/LPLD.
• Abstract（参考訳）: Source-Free Domain Adaptive Object Detection (SFOD)は、トレーニング済みの検出器を、ソースデータにアクセスすることなく、新しい未ラベルのドメインにデプロイする、データプライバシと効率に関する重要な懸念に対処するための、有望な戦略である。 ほとんどのSFOD法は、高信頼 Pseudo Labels (HPL) に大きく依存する平均教師(MT)自己学習パラダイムを利用している。 しかし、これらのHPLはドメインシフトによって大きく変化する小さなインスタンスをしばしば見落としている。 さらに、HPLはトレーニングサンプルが不足しているため、信頼性の低いインスタンスを無視し、ソースドメインの親しみやすいインスタンスに適応する。 この制限に対処するため、我々は、平均教師に基づくSFODフレームワークにおいて、低信頼 Pseudo Label Distillation (LPLD) の損失を導入する。 この新しいアプローチは、不慣れなドメインにおける難しい検出対象を含む可能性がある領域提案ネットワーク(RPN)の提案を活用するように設計されている。 当初、我々は標準的な擬似ラベル技術を用いてHPLを抽出し、RPNが生成した提案から低信頼Pseudo Labels (LPL) のセットを抽出し、HPLとあまり重複しないものを残した。 これらのLPLは、クラス関係情報を活用し、LPLD損失計算に固有のノイズの影響を低減することにより、さらに洗練される。 さらに,機能距離を用いてLPLD損失を適応的に重み付けし,より広い前景領域を含むLPLに着目した。 本手法は,4つのクロスドメインオブジェクト検出ベンチマークにおいて,従来のSFOD法よりも優れていた。 我々のLPLD損失は、偽陰性を低減し、ソースモデルからのドメイン不変知識の使用を促進することによって、効果的な適応をもたらすことを示す。 コードはhttps://github.com/junia3/LPLDで公開されている。

関連論文リスト

• Scalable and reliable deep transfer learning for intelligent fault detection via multi-scale neural processes embedded with knowledge [7.730457774728478]
  本稿では,グラフ畳み込みネットワーク(GTNP)を用いたニューラルプロセスを用いたディープトランスファー学習法を提案する。 提案手法の検証は3つのIFDタスクにまたがって行われ、他のDTL法と比較してGTNPの検出性能が優れていた。
  論文  参考訳（メタデータ） (2024-02-20T05:39:32Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Unsupervised Adaptation of Polyp Segmentation Models via Coarse-to-Fine Self-Supervision [16.027843524655516]
  本稿では,アノテートされたソースデータへの依存を解消する,ソースフリードメイン適応(Source-Free Domain Adaptation, SFDA)の実践的問題について検討する。 現在のSFDA法は、ソーストレーニングされたモデルからドメイン知識を抽出することに重点を置いているが、対象ドメインの本質的な構造を無視している。 本稿では,領域レベルと画素レベルの識別表現を粗大な自己超越によって学習する,領域間適応ネットワーク(RPANet)と呼ばれる新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T02:37:08Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)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に知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)

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。