論文の概要: What is the Added Value of UDA in the VFM Era?

• arxiv url: http://arxiv.org/abs/2504.18190v1
• Date: Fri, 25 Apr 2025 09:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.712572
• Title: What is the Added Value of UDA in the VFM Era?
• Title（参考訳）: VFM時代のUDAの付加価値は?
• Authors: Brunó B. Englert, Tommie Kerssies, Gijs Dubbelman,
• Abstract要約: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、認識モデルの未ラベル対象領域への一般化を改善する。 UDAは、VFM(Vision Foundation Models)と合成ソースデータを用いて、実際のターゲットデータを用いた完全教師付き学習に匹敵する一般化性能を実現する。
• 参考スコア（独自算出の注目度）: 1.201626478128059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) can improve a perception model's generalization to an unlabeled target domain starting from a labeled source domain. UDA using Vision Foundation Models (VFMs) with synthetic source data can achieve generalization performance comparable to fully-supervised learning with real target data. However, because VFMs have strong generalization from their pre-training, more straightforward, source-only fine-tuning can also perform well on the target. As data scenarios used in academic research are not necessarily representative for real-world applications, it is currently unclear (a) how UDA behaves with more representative and diverse data and (b) if source-only fine-tuning of VFMs can perform equally well in these scenarios. Our research aims to close these gaps and, similar to previous studies, we focus on semantic segmentation as a representative perception task. We assess UDA for synth-to-real and real-to-real use cases with different source and target data combinations. We also investigate the effect of using a small amount of labeled target data in UDA. We clarify that while these scenarios are more realistic, they are not necessarily more challenging. Our results show that, when using stronger synthetic source data, UDA's improvement over source-only fine-tuning of VFMs reduces from +8 mIoU to +2 mIoU, and when using more diverse real source data, UDA has no added value. However, UDA generalization is always higher in all synthetic data scenarios than source-only fine-tuning and, when including only 1/16 of Cityscapes labels, synthetic UDA obtains the same state-of-the-art segmentation quality of 85 mIoU as a fully-supervised model using all labels. Considering the mixed results, we discuss how UDA can best support robust autonomous driving at scale.
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ラベル付きソースドメインから始まるラベルなしターゲットドメインへの知覚モデルの一般化を改善する。 UDAは、VFM(Vision Foundation Models)と合成ソースデータを用いて、実際のターゲットデータを用いた完全教師付き学習に匹敵する一般化性能を実現する。 しかしながら、VFMは事前学習から強い一般化を行うため、より単純でソースのみの微調整も目標に対して良好に動作する。 学術研究で使用されるデータシナリオは必ずしも現実世界の応用に代表されるものではないため、現時点では不明である。 (a)UDAがより代表的で多様なデータでどのように振る舞うか (b)VFMのソースのみの微調整がこれらのシナリオで等しく動作する場合。 本研究は,これらのギャップを埋めることを目的としており,従来の研究と同様,意味的セグメンテーションを代表的知覚課題として重視している。 ソースとターゲットデータの組み合わせの異なる実例と実例でUDAを評価する。 また,UDAにおける少量のラベル付きターゲットデータの利用効果についても検討した。 これらのシナリオはより現実的なものですが、必ずしも難しいものではありません。 以上の結果から,より強力な合成音源データを使用する場合,VFMのソースのみの微調整による改善は,+8 mIoUから+2 mIoUに減少し,より多様な実データを使用する場合には付加価値は得られないことが示唆された。 しかし、UDAの一般化は、ソースのみの微調整よりも、すべての合成データシナリオにおいて常に高く、Cityscapesラベルの1/16しか含まない場合、合成UDAは、すべてのラベルを用いた完全教師付きモデルとして85mIoUの最先端セグメンテーション品質を得る。 混合結果を考慮すると、UDAが大規模で堅牢な自動運転を最大限にサポートする方法について論じる。

関連論文リスト

• VFM-UDA++: Improving Network Architectures and Data Strategies for Unsupervised Domain Adaptive Semantic Segmentation [1.3505077405741583]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの驚くほど強力な一般化を示している。 この作業では、さらに一歩進めて、UDAアーキテクチャとデータ戦略自体を改善します。 VFM-UDA++の2つの制限に対処し、最大5.3 mIoUの標準UDAベンチマークでSotAを超越した一般化を得る。
  論文  参考訳（メタデータ） (2025-03-11T19:57:52Z)
• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• Rethinking Unsupervised Domain Adaptation for Semantic Segmentation [23.494998016272813]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、ラベルなしデータのみを使用して、あるドメインでトレーニングされたモデルを新しいドメイン(ターゲットと呼ばれる)に適応させる。 同じデータを同じモデルの教師付きトレーニング(ファインタニングなど)に使用する場合はどうか検討する。
  論文  参考訳（メタデータ） (2022-06-30T19:13:23Z)
• E-ADDA: Unsupervised Adversarial Domain Adaptation Enhanced by a New Mahalanobis Distance Loss for Smart Computing [25.510639595356597]
  スマートコンピューティングでは、特定のタスクのためのトレーニングサンプルのラベルが常に豊富であるとは限らない。 本稿では,Mahalanobis 距離損失の新たなバリエーションと分布外検出サブルーチンを併用した新しい UDA アルゴリズム TextitE-ADDA を提案する。 音響モードでは、E-ADDAはf1スコアで測定されたいくつかの最先端のUDAアルゴリズムを最大29.8%上回っている。 コンピュータビジョンのモダリティにおいて、評価結果は、人気UDAにおける新しい最先端性能を実現することを示唆している。
  論文  参考訳（メタデータ） (2022-01-24T23:20:55Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• Unsupervised Multi-source Domain Adaptation Without Access to Source Data [58.551861130011886]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。 本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-05T10:45:12Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。