論文の概要: Train Till You Drop: Towards Stable and Robust Source-free Unsupervised 3D Domain Adaptation

• arxiv url: http://arxiv.org/abs/2409.04409v1
• Date: Fri, 6 Sep 2024 17:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 15:14:50.291795
• Title: Train Till You Drop: Towards Stable and Robust Source-free Unsupervised 3D Domain Adaptation
• Title（参考訳）: Train Till You Drop: 安定的でロバストなソース不要な非教師なし3Dドメイン適応を目指して
• Authors: Björn Michele, Alexandre Boulch, Tuan-Hung Vu, Gilles Puy, Renaud Marlet, Nicolas Courty,
• Abstract要約: 本研究では,3次元セマンティックセグメンテーションのための非教師なし領域適応(SFUDA)の問題に取り組む。 ソースデータにアクセスすることなく、ラベルのないターゲットドメインでドメイン適応を実行する。 既存のSFUDAアプローチの一般的な問題は、あるトレーニング時間後にパフォーマンスが低下することです。
• 参考スコア（独自算出の注目度）: 62.889835139583965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We tackle the challenging problem of source-free unsupervised domain adaptation (SFUDA) for 3D semantic segmentation. It amounts to performing domain adaptation on an unlabeled target domain without any access to source data; the available information is a model trained to achieve good performance on the source domain. A common issue with existing SFUDA approaches is that performance degrades after some training time, which is a by product of an under-constrained and ill-posed problem. We discuss two strategies to alleviate this issue. First, we propose a sensible way to regularize the learning problem. Second, we introduce a novel criterion based on agreement with a reference model. It is used (1) to stop the training when appropriate and (2) as validator to select hyperparameters without any knowledge on the target domain. Our contributions are easy to implement and readily amenable for all SFUDA methods, ensuring stable improvements over all baselines. We validate our findings on various 3D lidar settings, achieving state-of-the-art performance. The project repository (with code) is: github.com/valeoai/TTYD.
• Abstract（参考訳）: 本研究では,3次元セマンティックセグメンテーションのための非教師なし領域適応(SFUDA)の課題に対処する。 それは、ソースデータにアクセスすることなく、ラベルのないターゲットドメインでドメイン適応を実行することであり、利用可能な情報は、ソースドメインで優れたパフォーマンスを達成するために訓練されたモデルである。 既存のSFUDAアプローチの一般的な問題は、トレーニング時間後にパフォーマンスが低下することです。 この問題を軽減するための2つの戦略について議論する。 まず,学習問題を正規化するための合理的な方法を提案する。 第二に、参照モデルとの一致に基づく新しい基準を導入する。 1)適切なタイミングでトレーニングを中止し、(2)ターゲットドメインに関する知識を必要とせずにハイパーパラメータを選択するバリデータとして使用する。 私たちのコントリビューションは実装が容易で、すべてのSFUDAメソッドに容易に対応でき、すべてのベースラインに対して安定した改善が保証されます。 本研究は, 各種3次元ライダー設定による評価を行い, 最先端性能を実現した。 プロジェクトリポジトリ(コード付き)は、github.com/valeoai/TTYDである。

関連論文リスト

• Dynamic Retraining-Updating Mean Teacher for Source-Free Object Detection [8.334498654271371]
  Unsupervised domain adapt (UDA) 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している。 本研究では、ラベル付きソースデータを用いることなく、ソース学習された検出器をラベル付きターゲットドメインに適応させる、ソースフリーなオブジェクト検出(SFOD)に焦点を当てる。
  論文  参考訳（メタデータ） (2024-07-23T14:12:57Z)
• Backpropagation-free Network for 3D Test-time Adaptation [42.469853469556966]
  テスト時間適応(TTA)法は、計算的に重く、メモリ集約的なバックプロパゲーションに基づくアプローチを適用する傾向がある。 本稿では,TTAのバックプロパゲーションフリーアプローチを3次元データの特定の場合に適用する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T10:50:24Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Domain Adaptive Person Search [20.442648584402917]
  本稿では,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のモデルを一般化することを目的とした,DAPS(Domain Adaptive Person Search)を提案する。 我々は,我々のフレームワークがmAPで34.7%,PRWデータセットでトップ1で80.6%を達成したことを示す。
  論文  参考訳（メタデータ） (2022-07-25T04:02:39Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。