論文の概要: PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2501.08605v1
• Date: Wed, 15 Jan 2025 06:05:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:52:28.677783
• Title: PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection
• Title（参考訳）: PACF: ドメイン適応型オブジェクト検出を改善するためのプロトタイプ拡張コンパクト機能
• Authors: Chenguang Liu, Yongchao Feng, Yanan Zhang, Qingjie Liu, Yunhong Wang,
• Abstract要約: クラス内特徴の分布を正規化するためのプロトタイプ拡張コンパクト特徴量フレームワークを提案する。 相互正則化戦略は、線形およびプロトタイプベースの分類器が互いに学習できるように設計されている。 各種適応設定の結果は最先端であり,提案手法のボード適用性と有効性を示す。
• 参考スコア（独自算出の注目度）: 34.988894739426954
• License:
• Abstract: In recent years, there has been significant advancement in object detection. However, applying off-the-shelf detectors to a new domain leads to significant performance drop, caused by the domain gap. These detectors exhibit higher-variance class-conditional distributions in the target domain than that in the source domain, along with mean shift. To address this problem, we propose the Prototype Augmented Compact Features (PACF) framework to regularize the distribution of intra-class features. Specifically, we provide an in-depth theoretical analysis on the lower bound of the target features-related likelihood and derive the prototype cross entropy loss to further calibrate the distribution of target RoI features. Furthermore, a mutual regularization strategy is designed to enable the linear and prototype-based classifiers to learn from each other, promoting feature compactness while enhancing discriminability. Thanks to this PACF framework, we have obtained a more compact cross-domain feature space, within which the variance of the target features' class-conditional distributions has significantly decreased, and the class-mean shift between the two domains has also been further reduced. The results on different adaptation settings are state-of-the-art, which demonstrate the board applicability and effectiveness of the proposed approach.
• Abstract（参考訳）: 近年,物体検出の進歩が著しい。 しかし、オフ・ザ・シェルフ検出器を新しいドメインに適用すると、ドメインのギャップが原因でパフォーマンスが大幅に低下する。 これらの検出器は、平均シフトとともに、ターゲット領域においてソース領域よりも高い分散クラス条件分布を示す。 この問題に対処するために,クラス内特徴の分布を正規化するためのPACFフレームワークを提案する。 具体的には,対象の特徴関連可能性の低い境界について詳細な理論的解析を行い,プロトタイプのクロスエントロピー損失を導出し,ターゲットのRoI特徴の分布を更に調整する。 さらに、線形およびプロトタイプベースの分類器が互いに学習できるようにし、識別性を高めながら特徴のコンパクト性を促進するように、相互正則化戦略を設計する。 このPACFフレームワークにより、よりコンパクトなクロスドメイン特徴空間が得られ、対象特徴のクラス条件分布の分散が大幅に減少し、2つのドメイン間のクラス平均シフトもさらに減少している。 各種適応設定の結果は最先端であり,提案手法のボード適用性と有効性を示す。

関連論文リスト

• CASUAL: Conditional Support Alignment for Domain Adaptation with Label Shift [9.2929174544214]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)とは、ソースドメインのラベル付きサンプルとターゲットドメインのラベルなしサンプルに基づいて学習モデルをトレーニングするドメイン適応フレームワークである。 そこで本稿では,条件付き適応型Support alignment (CASUAL) を提案する。
  論文  参考訳（メタデータ） (2023-05-29T05:20:18Z)
• Towards Category and Domain Alignment: Category-Invariant Feature Enhancement for Adversarial Domain Adaptation [16.229317527580072]
  ドメイン不変特徴の識別性を高めるために,カテゴリ不変特徴強調(CIFE)を提案する。 実験により、CIFEは対向領域適応法により改善され、最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-08-14T16:51:39Z)
• 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)
• Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
  Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。 本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
  論文  参考訳（メタデータ） (2021-03-22T08:32:55Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Target Consistency for Domain Adaptation: when Robustness meets Transferability [8.189696720657247]
  学習不変表現(Learning Invariant Representations)は、ソースとUnsupervised Domain Adaptationのターゲットドメインの調整に成功している。 ソースドメインに保持されているにもかかわらず、クラスタの仮定がターゲットドメインで違反していることを示す。 我々の新しいアプローチは、画像分類とセグメンテーションベンチマークの両方において、大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2020-06-25T09:13:00Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)
• 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。