論文の概要: SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing

• arxiv url: http://arxiv.org/abs/2410.13471v3
• Date: Thu, 28 Nov 2024 06:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:16:17.012188
• Title: SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing
• Title（参考訳）: SiamSeg:遠隔センシングにおける教師なし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のためのコントラスト学習による自己学習
• Authors: Bin Wang, Fei Deng, Shuang Wang, Wen Luo, Zhixuan Zhang, Peifan Jiang,
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付けされたソースドメインデータを活用しながら、ラベル付けされていないターゲットドメインデータからモデルを学習することを可能にする。 対照的な学習を UDA に統合し,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。 我々の手法であるSimSegは既存の手法より優れ、最先端の結果が得られます。
• 参考スコア（独自算出の注目度）: 13.549403813487022
• License:
• Abstract: Semantic segmentation of remote sensing (RS) images is a challenging yet essential task with broad applications. While deep learning, particularly supervised learning with large-scale labeled datasets, has significantly advanced this field, the acquisition of high-quality labeled data remains costly and time-intensive. Unsupervised domain adaptation (UDA) provides a promising alternative by enabling models to learn from unlabeled target domain data while leveraging labeled source domain data. Recent self-training (ST) approaches employing pseudo-label generation have shown potential in mitigating domain discrepancies. However, the application of ST to RS image segmentation remains underexplored. Factors such as variations in ground sampling distance, imaging equipment, and geographic diversity exacerbate domain shifts, limiting model performance across domains. In that case, existing ST methods, due to significant domain shifts in cross-domain RS images, often underperform. To address these challenges, we propose integrating contrastive learning into UDA, enhancing the model's ability to capture semantic information in the target domain by maximizing the similarity between augmented views of the same image. This additional supervision improves the model's representational capacity and segmentation performance in the target domain. Extensive experiments conducted on RS datasets, including Potsdam, Vaihingen, and LoveDA, demonstrate that our method, SimSeg, outperforms existing approaches, achieving state-of-the-art results. Visualization and quantitative analyses further validate SimSeg's superior ability to learn from the target domain. The code is publicly available at https://github.com/woldier/SiamSeg.
• Abstract（参考訳）: リモートセンシング(RS)画像のセマンティックセグメンテーションは、幅広い用途において難しいが必須課題である。 ディープラーニング、特に大規模ラベル付きデータセットによる教師付き学習はこの分野を著しく進歩させてきたが、高品質ラベル付きデータの取得はコストと時間を要するままである。 非教師付きドメイン適応(UDA)は、ラベル付きソースドメインデータを活用しながら、ラベル付き対象ドメインデータからモデルを学習できるようにすることによって、有望な代替手段を提供する。 擬似ラベル生成を用いた最近の自己学習(ST)アプローチは、ドメインの相違を緩和する可能性を示している。 しかし、STのRS画像分割への応用はまだ未定である。 地中サンプリング距離の変動、撮像装置、地理的多様性などの要因がドメインシフトを悪化させ、ドメイン間のモデル性能が制限される。 その場合、既存のSTメソッドは、ドメイン間RS画像のドメインシフトが著しいため、しばしば性能が低下する。 これらの課題に対処するために,比較学習をUDAに統合し,同一画像の強調ビューの類似性を最大化することにより,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。 この追加の監視により、ターゲットドメインにおけるモデルの表現能力とセグメンテーション性能が向上する。 Potsdam、Vayhingen、LoveDAといったRSデータセットで実施された大規模な実験は、我々の手法であるSimSegが既存の手法よりも優れ、最先端の結果を達成することを実証している。 可視化と定量的解析により、SimSegの目標領域から学習する優れた能力がさらに検証される。 コードはhttps://github.com/woldier/SiamSeg.comで公開されている。

関連論文リスト

• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
  ドメインの一般化は機械学習において難しい課題である。 現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。 これらのリスクに対処する新しいDGパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-05-24T22:13:31Z)
• Joint semi-supervised and contrastive learning enables domain generalization and multi-domain segmentation [1.5393913074555419]
  SegCLRは、さまざまなドメインにまたがるイメージのセグメンテーション用に設計された汎用的なフレームワークです。 SegCLRは、ラベル付きデータとラベルなしデータの両方から効果的に学習するために、教師付き学習とコントラスト付き学習を同時に使用する。 3つの多様な臨床データセットを包括的に評価することで、SegCLRの優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-05-08T18:10:59Z)
• DDF: A Novel Dual-Domain Image Fusion Strategy for Remote Sensing Image Semantic Segmentation with Unsupervised Domain Adaptation [6.223876661401282]
  非教師なしドメイン適応(UDA)は、対象ドメインからの未分類情報を組み込む際に有利であることが証明されている。 本稿では,新しいデュアルドメイン画像融合戦略とともに,ハイブリッドトレーニング戦略を提案する。 提案手法の有効性は,ISPRS Vaihingen および Potsdam データセットを用いて行った広範囲なベンチマーク実験およびアブレーション研究によって実証された。
  論文  参考訳（メタデータ） (2024-03-05T08:57:28Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)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監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification [50.658613573816254]
  角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。 異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
  論文  参考訳（メタデータ） (2022-08-25T15:27:55Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Domain Adaptation on Semantic Segmentation for Aerial Images [3.946367634483361]
  セマンティックイメージセグメンテーションにおける領域シフトに対処する、新しい教師なしドメイン適応フレームワークを提案する。 また、ターゲット領域にエントロピー最小化を適用し、高信頼な予測を生成する。 様々な指標を用いて最先端手法の改善を示す。
  論文  参考訳（メタデータ） (2020-12-03T20:58:27Z)
• Emotional Semantics-Preserved and Feature-Aligned CycleGAN for Visual Emotion Adaptation [85.20533077846606]
  教師なしドメイン適応(UDA)は、あるラベル付きソースドメインで訓練されたモデルを別のラベル付きターゲットドメインに転送する問題を研究する。 本稿では,感情分布学習と支配的感情分類の両面での視覚的感情分析におけるUDAに着目した。 本稿では,CycleEmotionGAN++と呼ばれる,エンドツーエンドのサイクル整合対向モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-25T01:31:01Z)
• Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
  セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。 その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
  論文  参考訳（メタデータ） (2020-09-30T04:17:48Z)

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。