論文の概要: Towards Robust Online Domain Adaptive Semantic Segmentation under Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2409.01072v1
• Date: Mon, 2 Sep 2024 08:53:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 07:38:47.775239
• Title: Towards Robust Online Domain Adaptive Semantic Segmentation under Adverse Weather Conditions
• Title（参考訳）: 逆気象条件下でのロバストなオンラインドメイン適応セマンティックセマンティックセグメンテーションに向けて
• Authors: Taorong Liu, Jing Xiao, Liang Liao, Chia-Wen Lin,
• Abstract要約: textbfRobust textbfOnline textbfDomain textbfAdaptive textbfSemantic textbfSegmentation framework。 提案手法は,約40フレーム/秒(FPS)を維持しながら,広く使用されているOnDAベンチマークの最先端手法より優れている。
• 参考スコア（独自算出の注目度）: 43.58583290714884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online Domain Adaptation (OnDA) is designed to handle unforeseeable domain changes at minimal cost that occur during the deployment of the model, lacking clear boundaries between the domain, such as sudden weather events. However, existing OnDA methods that rely solely on the model itself to adapt to the current domain often misidentify ambiguous classes amidst continuous domain shifts and pass on this erroneous knowledge to the next domain. To tackle this, we propose \textbf{RODASS}, a \textbf{R}obust \textbf{O}nline \textbf{D}omain \textbf{A}daptive \textbf{S}emantic \textbf{S}egmentation framework, which dynamically detects domain shifts and adjusts hyper-parameters to minimize training costs and error propagation. Specifically, we introduce the \textbf{D}ynamic \textbf{A}mbiguous \textbf{P}atch \textbf{Mask} (\textbf{DAP Mask}) strategy, which dynamically selects highly disturbed regions and masks these regions, mitigating error accumulation in ambiguous classes and enhancing the model's robustness against external noise in dynamic natural environments. Additionally, we present the \textbf{D}ynamic \textbf{S}ource \textbf{C}lass \textbf{Mix} (\textbf{DSC Mix}), a domain-aware mix method that augments target domain scenes with class-level source buffers, reducing the high uncertainty and noisy labels, thereby accelerating adaptation and offering a more efficient solution for online domain adaptation. Our approach outperforms state-of-the-art methods on widely used OnDA benchmarks while maintaining approximately 40 frames per second (FPS).
• Abstract（参考訳）: オンラインドメイン適応(OnDA)は、急激な気象イベントなど、ドメイン間の明確な境界を欠いた、モデルのデプロイ中に発生する最小限のコストで、予期せぬドメイン変更を処理するように設計されている。 しかし、現在のドメインに適応するためにモデル自体にのみ依存する既存のOnDAメソッドは、連続的なドメインシフトの中で曖昧なクラスを誤って識別し、この誤った知識を次のドメインに渡します。 そこで本研究では, ドメインシフトを動的に検出し, ハイパーパラメータを調整し, トレーニングコストとエラー伝搬を最小化するために, ハイパーパラメータを動的に調整する, テキストbf{R}obust \textbf{O}nline \textbf{D}omain \textbf{A}daptive \textbf{S}emantic \textbf{S}emantic \textbf{S}egmentation frameworkを提案する。 具体的には、高度に乱れた領域を動的に選択し、これらの領域を隠蔽し、曖昧なクラスにおけるエラーの蓄積を緩和し、動的自然環境における外部ノイズに対するモデルの堅牢性を高める、 \textbf{D}ynamic \textbf{A}mbiguous \textbf{P}atch \textbf{Mask} (\textbf{DAP Mask})戦略を導入する。 さらに、ターゲットドメインシーンをクラスレベルのソースバッファで拡張し、高い不確実性とノイズのあるラベルを低減し、適応を加速し、オンラインドメイン適応のためのより効率的なソリューションを提供するドメイン認識混合手法である、 \textbf{D}ynamic \textbf{S}ource \textbf{C}lass \textbf{Mix} (\textbf{DSC Mix})を提案する。 提案手法は,約40フレーム/秒(FPS)を維持しながら,広く使用されているOnDAベンチマークの最先端手法より優れている。

関連論文リスト

• Curvature Diversity-Driven Deformation and Domain Alignment for Point Cloud [28.713586981346808]
  Unsupervised Domain Adaptation (UDA)は、広範囲な手動データアノテーションの必要性を減らすために重要である。 textbfCurvature textbfDiversity-Driven textbfNuclear-Norm Wasserstein textbfDomain Alignment (CDND)を提案する。 提案手法ではまず,多変量駆動型変形型 textbfReconstruction (CurvRec) タスクを導入する。 次にtextittextbfD を提案します
  論文  参考訳（メタデータ） (2024-10-03T17:39:55Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Language-Guided Instance-Aware Domain-Adaptive Panoptic Segmentation [44.501770535446624]
  汎視的ドメイン適応の鍵となる課題は、ラベル付きソースとラベルなしターゲットドメインの間のドメインギャップを減らすことである。 我々は、新しいクロスドメイン混合戦略IMixによるインスタンスレベル適応の導入に重点を置いている。 LIDAPSと呼ばれる2つのメカニズムを組み込んだエンド・ツー・エンド・エンド・モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-04T20:42:49Z)
• GLAD: Global-Local View Alignment and Background Debiasing for Unsupervised Video Domain Adaptation with Large Domain Gap [9.284539958686368]
  動作認識のための教師なしビデオドメイン適応(UVDA)の課題に対処する。 我々は,時間的ダイナミクスと背景シフトの両面において,ドメインギャップがかなり大きい,Kineetics->BABELという新しいUVDAシナリオを導入する。 本研究では,提案手法がKineetics->BABELデータセットの領域ギャップが大きい既存手法よりも大幅に改善されていることを実証的に検証した。
  論文  参考訳（メタデータ） (2023-11-21T09:27:30Z)
• CDA: Contrastive-adversarial Domain Adaptation [11.354043674822451]
  我々はtextbfContrastive-adversarial textbfDomain textbfAdaptation textbf(CDA) と呼ばれるドメイン適応のための2段階モデルを提案する。 逆成分はドメインレベルのアライメントを促進するが、2段階のコントラスト学習はクラス情報を利用してドメイン間の高いクラス内コンパクト性を実現する。
  論文  参考訳（メタデータ） (2023-01-10T07:43:21Z)
• Context-Aware Mixup for Domain Adaptive Semantic Segmentation [52.1935168534351]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインのモデルをラベル付きターゲットドメインに適応させることを目的としている。 ドメイン適応型セマンティックセグメンテーションのためのエンド・ツー・エンドコンテキスト・アウェア・ミックスアップ(CAMix)を提案する。 実験結果から,提案手法は最先端の手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-08-08T03:00:22Z)
• 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)
• Bilevel Online Adaptation for Out-of-Domain Human Mesh Reconstruction [94.25865526414717]
  本稿では,事前に訓練されたヒトメッシュ再構築モデルをドメイン外ストリーミングビデオに適応させるという新たな問題を検討する。 重みプローブと重み更新の2つのステップに全体多対象の最適化プロセスを分割するBilevel Online Adaptationを提案します。 BOAが2つのヒューマンメッシュ再構築ベンチマークで最先端の結果をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-03-30T15:47:58Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)

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。