論文の概要: Adversarial Attacked Teacher for Unsupervised Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2408.09431v1
• Date: Sun, 18 Aug 2024 10:22:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 20:40:30.750901
• Title: Adversarial Attacked Teacher for Unsupervised Domain Adaptive Object Detection
• Title（参考訳）: 教師なしドメイン適応オブジェクト検出のための教師攻撃型教師
• Authors: Kaiwen Wang, Yinzhe Shen, Martin Lauer,
• Abstract要約: カットエッジ領域適応型オブジェクト検出法は,教師学習フレームワークとドメイン逆学習を用いて,自己学習のためのドメイン不変な擬似ラベルを生成する。 敵の攻撃に弱い擬似ラベルは、より低品質である可能性が示唆された。 疑似ラベルの質を向上させるために,教師を攻撃して攻撃する単純なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.641733276587937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors encounter challenges in handling domain shifts. Cutting-edge domain adaptive object detection methods use the teacher-student framework and domain adversarial learning to generate domain-invariant pseudo-labels for self-training. However, the pseudo-labels generated by the teacher model tend to be biased towards the majority class and often mistakenly include overconfident false positives and underconfident false negatives. We reveal that pseudo-labels vulnerable to adversarial attacks are more likely to be low-quality. To address this, we propose a simple yet effective framework named Adversarial Attacked Teacher (AAT) to improve the quality of pseudo-labels. Specifically, we apply adversarial attacks to the teacher model, prompting it to generate adversarial pseudo-labels to correct bias, suppress overconfidence, and encourage underconfident proposals. An adaptive pseudo-label regularization is introduced to emphasize the influence of pseudo-labels with high certainty and reduce the negative impacts of uncertain predictions. Moreover, robust minority objects verified by pseudo-label regularization are oversampled to minimize dataset imbalance without introducing false positives. Extensive experiments conducted on various datasets demonstrate that AAT achieves superior performance, reaching 52.6 mAP on Clipart1k, surpassing the previous state-of-the-art by 6.7%.
• Abstract（参考訳）: オブジェクト検出器はドメインシフトを扱う際の課題に直面する。 カットエッジ領域適応型オブジェクト検出法は,教師学習フレームワークとドメイン逆学習を用いて,自己学習のためのドメイン不変な擬似ラベルを生成する。 しかし、教師モデルによって生成された擬似ラベルは多数派に偏りがちであり、しばしば過信の偽陽性や過信の偽陰性を含む。 敵の攻撃に弱い擬似ラベルは、より低品質である可能性が示唆された。 そこで本稿では,疑似ラベルの品質向上を目的とした,AAT(Adversarial Attacked Teacher)というシンプルなフレームワークを提案する。 具体的には、教師モデルに敵対的攻撃を適用し、バイアスを正し、自信過剰を抑え、不信な提案を奨励するために、敵対的擬似ラベルを生成するよう促す。 適応的な擬似ラベル正規化を導入し、疑似ラベルの影響を高い確実性で強調し、不確実な予測による負の影響を低減する。 さらに、擬似ラベル正規化によって検証されたロバストなマイノリティオブジェクトは、偽陽性を導入することなくデータセットの不均衡を最小限に抑えるためにオーバーサンプリングされる。 様々なデータセットで実施された大規模な実験により、AATは優れた性能を示し、Clipart1k上で52.6 mAPに達し、以前の最先端の6.7%を上回った。

関連論文リスト

• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Domain Adaptive Object Detection via Balancing Between Self-Training and Adversarial Learning [19.81071116581342]
  深層学習に基づく物体検出器は、対象と背景に大きなバリエーションを持つ新しい対象領域に一般化するのに苦労する。 現在の手法では、画像またはインスタンスレベルの対角的特徴アライメントを使用してドメインをアライメントする。 本稿では,モデルの予測不確実性を利用して,対向的特徴アライメントとクラスレベルのアライメントの適切なバランスを打つことを提案する。
  論文  参考訳（メタデータ） (2023-11-08T16:40:53Z)
• Contrastive Mean Teacher for Domain Adaptive Object Detectors [20.06919799819326]
  平均教師の自己学習は、オブジェクト検出のための教師なしドメイン適応において強力なパラダイムであるが、低品質の擬似ラベルに苦しむ。 提案するContrastive Mean Teacher (CMT)は、2つのパラダイムが自然に統合され、有益な学習信号が最大化される統一的汎用フレームワークである。 CMTは、Fogdy Cityscapesで51.9%のmAPを達成し、これまでで最高の2.1%のmAPを達成している。
  論文  参考訳（メタデータ） (2023-05-04T17:55:17Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• In and Out-of-Domain Text Adversarial Robustness via Label Smoothing [64.66809713499576]
  多様なNLPタスクの基本モデルにおいて,ラベルの平滑化戦略によって提供される対角的ロバスト性について検討する。 実験の結果,ラベルのスムース化は,BERTなどの事前学習モデルにおいて,様々な攻撃に対して,逆方向の堅牢性を大幅に向上させることがわかった。 また,予測信頼度とロバスト性の関係を解析し,ラベルの平滑化が敵の例に対する過度な信頼誤差を減少させることを示した。
  論文  参考訳（メタデータ） (2022-12-20T14:06:50Z)
• Uncertainty-aware Mean Teacher for Source-free Unsupervised Domain Adaptive 3D Object Detection [6.345037597566315]
  擬似ラベルに基づく自己学習アプローチは、ソースフリーな教師なしドメイン適応の一般的な方法である。 本研究では,学習中に誤字を暗黙的にフィルタリングする不確実性認識型平均教師フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-29T18:17:09Z)
• Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection [70.25977409196449]
  偽陽性は、ドメイン適応型歩行者検出において、ドメインシフトによって引き起こされる最も深刻な問題の1つである。 我々は偽陽性抑圧問題をエレガントにボックス再ランク問題に変換する。 正の正の差分検出を継続することを目的として,ボックス数アライメントを提案する。
  論文  参考訳（メタデータ） (2021-02-01T02:31:11Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Hard Class Rectification for Domain Adaptation [36.58361356407803]
  ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。 本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。 提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
  論文  参考訳（メタデータ） (2020-08-08T06:21:58Z)

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。