論文の概要: DAViMNet: SSMs-Based Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2502.11178v1
• Date: Sun, 16 Feb 2025 15:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:10:52.516491
• Title: DAViMNet: SSMs-Based Domain Adaptive Object Detection
• Title（参考訳）: DAViMNet: SSMsベースのドメイン適応オブジェクト検出
• Authors: A. Enes Doruk, Hasan F. Ates,
• Abstract要約: オブジェクト検出のための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応させる。 トランスフォーマーベースのアーキテクチャは、長距離依存関係のキャプチャに優れていますが、注意の複雑さのため、効率上の課題に直面します。 本稿では,Mambaの効率的な状態空間モデリングとアテンション機構を組み合わせたドメイン適応型Mamba Transformerアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License:
• Abstract: Unsupervised domain adaptation (UDA) for object detection adapts models trained on labeled source domains to unlabeled target domains, ensuring robust performance across domain shifts. Transformer-based architectures excel at capturing long-range dependencies but face efficiency challenges due to their quadratic attention complexity, which limits scalability in UDA tasks. To address these issues, we propose a hybrid domain-adaptive Mamba Transformer architecture that combines Mamba's efficient state-space modeling with attention mechanisms to tackle domain-specific spatial and channel-wise variations. Each hybrid block integrates domain-adaptive Mamba blocks and attention mechanisms: Domain-Adaptive Mamba employs spatial and channel state-space models to adaptively model domain variations, while attention mechanisms leverage self-attention for intra-domain feature enhancement and cross-attention for effective source-target alignment. Our approach processes both shallow and deeper features, employing an entropy-based knowledge distillation framework with margin ReLU to emphasize discriminative features and suppress noise. Gradient Reversal Layers enable adversarial alignment across network layers, while entropy-driven gating attention with random perturbations refines target features and mitigates overfitting. By unifying these components, our architecture achieves state-of-the-art performance in UDA object detection, balancing efficiency with robust generalization.
• Abstract（参考訳）: オブジェクト検出のための教師なしドメイン適応(UDA)は、ラベル付きソースドメインでトレーニングされたモデルをラベル付きターゲットドメインに適応させ、ドメインシフト間の堅牢なパフォーマンスを保証する。 トランスフォーマーベースのアーキテクチャは、長距離依存関係のキャプチャに優れていますが、UDAタスクのスケーラビリティを制限する2次的注意の複雑さのため、効率上の課題に直面します。 これらの問題に対処するために,Mambaの効率的な状態空間モデリングとアテンション機構を組み合わせたハイブリッドドメイン適応型Mamba Transformerアーキテクチャを提案する。 各ハイブリッドブロックはドメイン適応型Mambaブロックとアテンションメカニズムを統合している: Domain-Adaptive Mambaは空間的およびチャネル状態空間モデルを用いてドメインの変動を適応的にモデル化する。 提案手法は浅部と深部の両方を処理し,RLUを用いたエントロピーに基づく知識蒸留フレームワークを用いて識別的特徴を強調し,騒音を抑制する。 グラディエント・リバーサル・レイヤは、ネットワーク層間の逆アライメントを可能にする一方で、ランダムな摂動によるエントロピー駆動のゲーティング・アテンションは、ターゲットの機能を洗練し、オーバーフィッティングを緩和する。 これらのコンポーネントを統一することにより、我々のアーキテクチャはUDAオブジェクト検出における最先端のパフォーマンスを達成し、堅牢な一般化とバランスをとることができる。

関連論文リスト

• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Feature Based Methods in Domain Adaptation for Object Detection: A Review Paper [0.6437284704257459]
  ドメイン適応は、異なるデータ分布を持つターゲットドメインにデプロイされた場合、機械学習モデルの性能を向上させることを目的としている。 本総説では, 対人学習, 相違に基づく多分野, 教師学生, アンサンブル, ビジョン言語モデルなど, ドメイン適応のための高度な方法論を考察する。 特に合成ドメインシフトを含むシナリオにおいて、ラベル付きデータへの依存を最小限に抑える戦略に特に注意が払われる。
  論文  参考訳（メタデータ） (2024-12-23T06:34:23Z)
• TransAdapter: Vision Transformer for Feature-Centric Unsupervised Domain Adaptation [0.3277163122167433]
  Unsupervised Domain Adaptation (UDA)は、ソースドメインのラベル付きデータを使用して、ラベルなしのターゲットドメインのタスクを解決することを目的としている。 従来のCNNベースの手法は、複雑なドメイン関係を完全に捉えるのに苦労している。 3つの鍵モジュールを持つSwin Transformerを利用する新しいUDA手法を提案する。
  論文  参考訳（メタデータ） (2024-12-05T11:11:39Z)
• Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
  マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルの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。 アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。 このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-07-26T09:40:19Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Domain Adaptation for Object Detection using SE Adaptors and Center Loss [0.0]
  本稿では,高速RCNNに基づく教師なしドメイン適応手法を導入し,ドメインシフトによる性能低下を防止する。 また、SEアダプタと呼ばれる圧縮励起機構を利用して、ドメインの注意を向上するアダプティブレイヤのファミリーも導入する。 最後に、インスタンスと画像レベルの表現に中心損失を組み込んで、クラス内分散を改善する。
  論文  参考訳（メタデータ） (2022-05-25T17:18:31Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• 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)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• 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)

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。