論文の概要: CrackUDA: Incremental Unsupervised Domain Adaptation for Improved Crack Segmentation in Civil Structures

• arxiv url: http://arxiv.org/abs/2412.15637v1
• Date: Fri, 20 Dec 2024 07:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:59.150020
• Title: CrackUDA: Incremental Unsupervised Domain Adaptation for Improved Crack Segmentation in Civil Structures
• Title（参考訳）: 土木構造物のクラックセグメンテーション改善のためのインクリメンタル・アントラクショナル・ドメイン・アダプテーション
• Authors: Kushagra Srivastava, Damodar Datta Kancharla, Rizvi Tahereen, Pradeep Kumar Ramancharla, Ravi Kiran Sarvadevabhatla, Harikumar Kandath,
• Abstract要約: 既存のクラックセグメンテーションアルゴリズムは、データセット間のドメインシフトによる正確性を維持する上で、課題に直面している。 本稿では,非教師なしドメイン適応(UDA)を用いた逆学習を用いた漸進的学習を取り入れた新しいディープネットワークを提案する。 実験により, 他のUDA法と比較して, ひび割れ分断精度と対象領域間の一般化が著しく向上したことが示された。
• 参考スコア（独自算出の注目度）: 8.439574359131353
• License:
• Abstract: Crack segmentation plays a crucial role in ensuring the structural integrity and seismic safety of civil structures. However, existing crack segmentation algorithms encounter challenges in maintaining accuracy with domain shifts across datasets. To address this issue, we propose a novel deep network that employs incremental training with unsupervised domain adaptation (UDA) using adversarial learning, without a significant drop in accuracy in the source domain. Our approach leverages an encoder-decoder architecture, consisting of both domain-invariant and domain-specific parameters. The encoder learns shared crack features across all domains, ensuring robustness to domain variations. Simultaneously, the decoder's domain-specific parameters capture domain-specific features unique to each domain. By combining these components, our model achieves improved crack segmentation performance. Furthermore, we introduce BuildCrack, a new crack dataset comparable to sub-datasets of the well-established CrackSeg9K dataset in terms of image count and crack percentage. We evaluate our proposed approach against state-of-the-art UDA methods using different sub-datasets of CrackSeg9K and our custom dataset. Our experimental results demonstrate a significant improvement in crack segmentation accuracy and generalization across target domains compared to other UDA methods - specifically, an improvement of 0.65 and 2.7 mIoU on source and target domains respectively.
• Abstract（参考訳）: き裂のセグメンテーションは、土木構造物の構造的整合性と耐震性を確保する上で重要な役割を担っている。 しかし、既存のクラックセグメンテーションアルゴリズムは、データセット間のドメインシフトによる正確性を維持するという課題に直面している。 そこで本研究では,非教師付きドメイン適応(UDA)を用いたインクリメンタルトレーニングを,情報源領域の精度を著しく低下させることなく,敵対的学習を用いて実現した新しいディープネットワークを提案する。 提案手法は,ドメイン不変パラメータとドメイン固有パラメータの両方からなるエンコーダデコーダアーキテクチャを利用する。 エンコーダは、すべてのドメインで共有クラック機能を学び、ドメインの変動に対して堅牢性を確保する。 同時に、デコーダのドメイン固有のパラメータは、各ドメイン固有のドメイン固有の特徴をキャプチャする。 これらの成分を組み合わせることで,クラックセグメンテーション性能が向上する。 さらに、イメージカウントとクラックパーセンテージの観点から、確立されたCrackSeg9Kデータセットのサブデータセットに匹敵する新しいクラックデータセットであるBuildCrackを紹介します。 我々は、CrackSeg9Kの異なるサブデータセットとカスタムデータセットを用いて、最先端のUDA手法に対する提案手法の評価を行った。 実験により,他のUDA法と比較して, ひび割れの分断精度および一般化が有意に向上したことが示された。

関連論文リスト

• Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
  シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。 本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。 本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T16:40:48Z)
• Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
  SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。 総合評価により,SegCLRの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-08T18:10:59Z)
• SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
  本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。 構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。 実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T02:57:23Z)
• Domain-aware Triplet loss in Domain Generalization [0.0]
  ドメインシフトは、テストとトレーニングデータの分布の相違によって引き起こされる。 ドメイン一般化のためのドメイン認識三重項損失を設計し、モデルが類似のセマンティックな特徴をクラスタリングするのを助ける。 本アルゴリズムは,埋め込み空間におけるドメイン情報を分散するように設計されている。
  論文  参考訳（メタデータ） (2023-03-01T14:02:01Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Deep Domain Adaptation for Pavement Crack Detection [9.937576059289269]
  本稿では,Deep Domain Adaptation-based Crack Detection Network (DDACDN)を提案する。 DDACDNは、ソースドメイン知識を利用して、ターゲットドメイン内の複数カテゴリの亀裂位置情報を予測する。 対象ドメイン上の亀裂位置を予測する際に、最先端の舗装き裂検出方法より優れている。
  論文  参考訳（メタデータ） (2021-11-19T08:51:09Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。