論文の概要: The Devil is in Low-Level Features for Cross-Domain Few-Shot Segmentation
- arxiv url: http://arxiv.org/abs/2503.21150v1
- Date: Thu, 27 Mar 2025 04:37:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:54:23.877136
- Title: The Devil is in Low-Level Features for Cross-Domain Few-Shot Segmentation
- Title（参考訳）: The Devil is in Low-Level Features for Cross-Domain Few-Shot Segmentation
- Authors: Yuhan Liu, Yixiong Zou, Yuhua Li, Ruixuan Li,
- Abstract要約: Cross-Domain Few-Shot (CDFSS)は、大規模なソースドメインデータセットから学んだピクセルレベルのセグメンテーション機能を、下流のターゲットドメインデータセットに転送するために提案されている。
我々は,CDFSSにおいてよく保存されているが未解決な現象に焦点をあてる:ターゲットドメインの場合,最初期のセグメンテーション性能はピークに達し,ソースドメインのトレーニングが進むにつれて急激に低下する。
2つのプラグアンドプレイモジュールを含む手法を提案する。1つは、新しいシャープネス認識法として、ソースドメイントレーニング中の低レベル特徴の損失景観を平坦化し、もう1つはターゲットを直接補完する手法である。
- 参考スコア（独自算出の注目度）: 22.443834719018795
- License:
- Abstract: Cross-Domain Few-Shot Segmentation (CDFSS) is proposed to transfer the pixel-level segmentation capabilities learned from large-scale source-domain datasets to downstream target-domain datasets, with only a few annotated images per class. In this paper, we focus on a well-observed but unresolved phenomenon in CDFSS: for target domains, particularly those distant from the source domain, segmentation performance peaks at the very early epochs, and declines sharply as the source-domain training proceeds. We delve into this phenomenon for an interpretation: low-level features are vulnerable to domain shifts, leading to sharper loss landscapes during the source-domain training, which is the devil of CDFSS. Based on this phenomenon and interpretation, we further propose a method that includes two plug-and-play modules: one to flatten the loss landscapes for low-level features during source-domain training as a novel sharpness-aware minimization method, and the other to directly supplement target-domain information to the model during target-domain testing by low-level-based calibration. Extensive experiments on four target datasets validate our rationale and demonstrate that our method surpasses the state-of-the-art method in CDFSS signifcantly by 3.71% and 5.34% average MIoU in 1-shot and 5-shot scenarios, respectively.
- Abstract（参考訳）: CDFSS(Cross-Domain Few-Shot Segmentation)は、大規模なソースドメインデータセットから学んだピクセルレベルのセグメンテーション機能を、クラス毎にわずかに注釈付きイメージで下流のターゲットドメインデータセットに転送するために提案されている。
本稿では,ターゲットドメイン,特にソースドメインから離れた領域,最初期のセグメンテーション性能ピーク,ソースドメインのトレーニングが進むにつれて急激に低下する,CDFSSの保存状態が良く,未解決な現象に焦点を当てる。
低レベルの特徴はドメインシフトに対して脆弱であり、CDFSSのデビルであるソースドメイントレーニングにおいて、損失のランドスケープがより鋭くなります。
この現象と解釈に基づいて、新たなシャープネス認識最小化法として、ソースドメイントレーニング中の低レベル特徴の損失景観を平坦化し、低レベルキャリブレーションによるターゲットドメインテスト中のモデルにターゲットドメイン情報を直接補完する2つのプラグイン・アンド・プレイ・モジュールを提案する。
対象とする4つのデータセットに対する大規模な実験により,本手法がCDFSSの最先端手法を3.71%,平均MIoUが5.34%,それぞれ1ショット,5ショットのシナリオで上回っていることが実証された。
関連論文リスト
- Lightweight Frequency Masker for Cross-Domain Few-Shot Semantic Segmentation [9.365590675168589]
大規模なソースドメインデータセット上でモデルを事前トレーニングするために、クロスドメイン・ショットセグメンテーション(CD-FSS)が提案されている。
本稿では,Amplitude-Phase Masker (APM) モジュールとAdaptive Channel Phase Attention (ACPA) モジュールによるチャネル相関の低減を図る。
論文 参考訳（メタデータ） (2024-10-29T15:31:27Z) - Flatten Long-Range Loss Landscapes for Cross-Domain Few-Shot Learning [8.729669566501103]
クロスドメインの少数ショット学習は、ターゲットドメイン内の限られたトレーニングデータから知識を取得することを目的としている。
我々は、CNNとViTの両方で元のものを置き換える新しい正規化レイヤを導入する。
提案手法は,個々のデータセットに対する現在のベストアプローチと比較して,最大9%の性能向上を実現している。
論文 参考訳（メタデータ） (2024-03-01T14:44:41Z) - Cross-Domain Few-Shot Segmentation via Iterative Support-Query
Correspondence Mining [81.09446228688559]
Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。
本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
論文 参考訳（メタデータ） (2024-01-16T14:45:41Z) - Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot
Classification [49.36348058247138]
トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。
我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。
提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
論文 参考訳（メタデータ） (2023-11-04T12:28:04Z) - Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-28T16:31:17Z) - High-level semantic feature matters few-shot unsupervised domain
adaptation [15.12545632709954]
FS-UDAのためのタスク固有意味特徴学習法(TSECS)を提案する。
TSECSは画像とクラス間の類似度測定のための高レベルの意味的特徴を学習する。
提案手法はFS-UDAのSOTA法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T08:39:52Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳（メタデータ） (2023-01-03T15:19:48Z) - 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) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳（メタデータ） (2020-08-19T17:41:37Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。