論文の概要: DG-DETR: Toward Domain Generalized Detection Transformer

• arxiv url: http://arxiv.org/abs/2504.19574v1
• Date: Mon, 28 Apr 2025 08:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.36163
• Title: DG-DETR: Toward Domain Generalized Detection Transformer
• Title（参考訳）: DG-DETR:Domain Generalized Detection Transformerに向けて
• Authors: Seongmin Hwang, Daeyoung Han, Moongu Jeon,
• Abstract要約: 変圧器を用いた検出器のロバスト性を高めるために,DG-DETR(Domain Generalized Detection TRansformer)を導入する。 具体的には、オブジェクトクエリからドメインが引き起こすバイアスを除去する、ドメインに依存しない新しいクエリ選択戦略を提案する。 DG-DETRの有効性を実験的に検証した。
• 参考スコア（独自算出の注目度）: 8.762314897895175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end Transformer-based detectors (DETRs) have demonstrated strong detection performance. However, domain generalization (DG) research has primarily focused on convolutional neural network (CNN)-based detectors, while paying little attention to enhancing the robustness of DETRs. In this letter, we introduce a Domain Generalized DEtection TRansformer (DG-DETR), a simple, effective, and plug-and-play method that improves out-of-distribution (OOD) robustness for DETRs. Specifically, we propose a novel domain-agnostic query selection strategy that removes domain-induced biases from object queries via orthogonal projection onto the instance-specific style space. Additionally, we leverage a wavelet decomposition to disentangle features into domain-invariant and domain-specific components, enabling synthesis of diverse latent styles while preserving the semantic features of objects. Experimental results validate the effectiveness of DG-DETR. Our code is available at https://github.com/sminhwang/DG-DETR.
• Abstract（参考訳）: エンド・トゥ・エンド・トランスフォーマー・ベースの検出器(DETR)は強力な検出性能を示した。 しかし、ドメイン一般化(DG)の研究は、主に畳み込みニューラルネットワーク(CNN)ベースの検出器に焦点を当て、DETRの堅牢性を高めることにはほとんど注意を払っていない。 本稿では,DTRのアウト・オブ・ディストリビューション(OOD)ロバスト性を改善する,シンプルで効果的でプラグアンドプレイの手法であるDomain Generalized Detection TRansformer(DG-DETR)を紹介する。 具体的には、ドメインに依存しない新しいクエリ選択戦略を提案し、ドメインが引き起こすバイアスを、直交射影によってオブジェクトクエリからインスタンス固有のスタイル空間へ取り除く。 さらに、ウェーブレット分解を利用して、特徴をドメイン不変およびドメイン固有コンポーネントに分解し、オブジェクトの意味的特徴を保ちながら様々な潜在スタイルの合成を可能にする。 DG-DETRの有効性を実験的に検証した。 私たちのコードはhttps://github.com/sminhwang/DG-DETRで公開されています。

関連論文リスト

• Style-Adaptive Detection Transformer for Single-Source Domain Generalized Object Detection [7.768332621617199]
  オブジェクト検出における単一ソースドメイン一般化(SDG)は、ソースドメインのデータのみを使用して検出器を開発することを目的としている。 ドメイン不変な特徴を抽出する際,検出器を誘導するオブジェクト認識型コントラスト学習モジュールを提案する。 実験は、5つの異なる気象シナリオにおけるSA-DETRの優れた性能と一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-29T07:38:37Z)
• RT-DATR:Real-time Unsupervised Domain Adaptive Detection Transformer with Adversarial Feature Learning [4.823481349001852]
  実時間領域適応型検出変換器RT-DATRを提案する。 我々の手法は現在の最先端手法より優れている。
  論文  参考訳（メタデータ） (2025-04-12T12:36:01Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• 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)
• Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers [141.70707071815653]
  本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。 SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。 3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方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） (2021-07-27T07:17:12Z)
• DA-DETR: Domain Adaptive Detection Transformer with Information Fusion [53.25930448542148]
  DA-DETR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効果的な転送のための情報融合を導入するドメイン適応型オブジェクト検出変換器である。 本稿では,CNN機能とトランスフォーマー機能を融合した新しいCNN-Transformer Blender(CTBlender)を提案する。 CTBlenderはTransformer機能を使用して、高レベルの意味情報と低レベルの空間情報が融合した複数のスケールでCNN機能を変調し、正確な物体識別と位置決めを行う。
  論文  参考訳（メタデータ） (2021-03-31T13:55:56Z)
• 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。