論文の概要: Domain Adaptation from Generated Multi-Weather Images for Unsupervised Maritime Object Classification

• arxiv url: http://arxiv.org/abs/2501.15503v1
• Date: Sun, 26 Jan 2025 12:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:56:28.533540
• Title: Domain Adaptation from Generated Multi-Weather Images for Unsupervised Maritime Object Classification
• Title（参考訳）: 教師なし海事オブジェクト分類のための生成したマルチウェザー画像からのドメイン適応
• Authors: Dan Song, Shumeng Huo, Wenhui Li, Lanjun Wang, Chao Xue, An-An Liu,
• Abstract要約: 我々は、多様な気象条件とバランスの取れたオブジェクトカテゴリを持つAIMOというデータセットを構築した。 本稿では,AIMO(ソース・ドメイン)を活用してラベル付き限られたデータの問題に対処する新しいドメイン適応手法を提案する。 実験の結果,提案手法は分類精度を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 34.59086771834456
• License:
• Abstract: The classification and recognition of maritime objects are crucial for enhancing maritime safety, monitoring, and intelligent sea environment prediction. However, existing unsupervised methods for maritime object classification often struggle with the long-tail data distributions in both object categories and weather conditions. In this paper, we construct a dataset named AIMO produced by large-scale generative models with diverse weather conditions and balanced object categories, and collect a dataset named RMO with real-world images where long-tail issue exists. We propose a novel domain adaptation approach that leverages AIMO (source domain) to address the problem of limited labeled data, unbalanced distribution and domain shift in RMO (target domain), and enhance the generalization of source features with the Vision-Language Models such as CLIP. Experimental results shows that the proposed method significantly improves the classification accuracy, particularly for samples within rare object categories and weather conditions. Datasets and codes will be publicly available at https://github.com/honoria0204/AIMO.
• Abstract（参考訳）: 海洋オブジェクトの分類と認識は、海洋安全、監視、インテリジェントな海洋環境予測の強化に不可欠である。 しかし、既存の海洋オブジェクト分類の教師なし手法は、オブジェクト分類と気象条件の両方において、長い尾のデータ分布に苦慮することが多い。 本稿では,多種多様な気象条件とバランスの取れたオブジェクトカテゴリを持つ大規模生成モデルによって生成されたAIMOというデータセットを構築し,RMOという名前のデータセットを,ロングテール問題が存在する実世界の画像とともに収集する。 本稿では,AIMO(ソース・ドメイン)を活用して,制限付きラベル付きデータの問題,RMO(ターゲット・ドメイン)の非平衡分布,ドメインシフトに対処し,CLIPなどのビジョン・ランゲージ・モデルを用いて,ソース機能の一般化を促進する新しいドメイン適応手法を提案する。 実験結果から,本手法は分類精度を著しく向上させ,特に希少な対象カテゴリや気象条件のサンプルに対して有効であることがわかった。 データセットとコードはhttps://github.com/honoria0204/AIMOで公開される。

関連論文リスト

• Hierarchical Multi-Label Classification with Missing Information for Benthic Habitat Imagery [1.6492989697868894]
  複数のレベルのアノテーション情報が存在するシナリオでHMLトレーニングを行う能力を示す。 その結果,局所的・局所的なベントニック・サイエンス・プロジェクトで典型的な,より小さなワンホット・イメージ・ラベル・データセットを使用する場合,イメージネット上で事前学習したドメイン内ベントニック・データの大規模な収集に対して,自己スーパービジョンで事前学習したモデルの方が優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-10T16:15:01Z)
• Introducing VaDA: Novel Image Segmentation Model for Maritime Object Segmentation Using New Dataset [3.468621550644668]
  海上輸送産業はコンピュータビジョン人工知能(AI)の進歩によって急速に進化している 海洋環境における物体認識は、光の反射、干渉、激しい照明、様々な気象条件といった課題に直面します。 既存のAI認識モデルとデータセットは、自律ナビゲーションシステムを構成するのに限定的に適している。
  論文  参考訳（メタデータ） (2024-07-12T05:48:53Z)
• Few-Shot Domain Adaptive Object Detection for Microscopic Images [7.993453987882035]
  Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。 医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。 私たちのコントリビューションには、少数ショットシナリオのためのドメイン適応型クラスバランス戦略、複数レイヤのインスタンスレベル間およびドメイン内アライメント、インスタンスレベルの分類損失が含まれています。
  論文  参考訳（メタデータ） (2024-07-10T13:11:58Z)
• A Semi-supervised Object Detection Algorithm for Underwater Imagery [10.017195276758455]
  本稿では, 変分オートエンコーダ(VAE)に基づく半教師付きフレームワークを用いて, 人工物体を異常として扱い, 検出することを提案する。 本研究では,学習した低次元潜在空間における画像データをクラスタリングし,異常な特徴を含む可能性のある画像を抽出する手法を提案する。 大規模な画像データセットに両方の手法を適用することで、人間のオペレーターが興味のある対象を特定するために、偽陽性率の低い候補異常なサンプルを提示できることを実証する。
  論文  参考訳（メタデータ） (2023-06-07T23:40:04Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応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） (2021-03-25T14:33:33Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。