論文の概要: Leveraging Segment Anything Model for Source-Free Domain Adaptation via Dual Feature Guided Auto-Prompting

• arxiv url: http://arxiv.org/abs/2505.08527v2
• Date: Wed, 14 May 2025 02:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 13:24:43.921678
• Title: Leveraging Segment Anything Model for Source-Free Domain Adaptation via Dual Feature Guided Auto-Prompting
• Title（参考訳）: Dual Feature Guided Auto-Promptingによるソースフリードメイン適応のためのセグメンテーションモデル
• Authors: Zheang Huai, Hui Tang, Yi Li, Zhuangzhuang Chen, Xiaomeng Li,
• Abstract要約: セグメンテーションのためのソースフリードメイン適応(SFDA)は、ソースドメインでトレーニングされたモデルを適用して、ターゲットドメインでうまく機能することを目的としている。 私たちはSegment Anything Model for SFDAの可能性を初めて探求し、正確なバウンディングボックスプロンプトを自動的に見つけました。 ボックスプロンプトを検索するための新しいDual Feature Guided (DFG) 自動プロンプト手法を提案する。
• 参考スコア（独自算出の注目度）: 14.640695608089796
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Source-free domain adaptation (SFDA) for segmentation aims at adapting a model trained in the source domain to perform well in the target domain with only the source model and unlabeled target data.Inspired by the recent success of Segment Anything Model (SAM) which exhibits the generality of segmenting images of various modalities and in different domains given human-annotated prompts like bounding boxes or points, we for the first time explore the potentials of Segment Anything Model for SFDA via automatedly finding an accurate bounding box prompt. We find that the bounding boxes directly generated with existing SFDA approaches are defective due to the domain gap.To tackle this issue, we propose a novel Dual Feature Guided (DFG) auto-prompting approach to search for the box prompt. Specifically, the source model is first trained in a feature aggregation phase, which not only preliminarily adapts the source model to the target domain but also builds a feature distribution well-prepared for box prompt search. In the second phase, based on two feature distribution observations, we gradually expand the box prompt with the guidance of the target model feature and the SAM feature to handle the class-wise clustered target features and the class-wise dispersed target features, respectively. To remove the potentially enlarged false positive regions caused by the over-confident prediction of the target model, the refined pseudo-labels produced by SAM are further postprocessed based on connectivity analysis. Experiments on 3D and 2D datasets indicate that our approach yields superior performance compared to conventional methods. Code is available at https://github.com/xmed-lab/DFG.
• Abstract（参考訳）: セグメンテーションのためのソースフリードメイン適応(SFDA)は、ソースドメインでトレーニングされたモデルに、ソースモデルと未ラベルのターゲットデータのみを用いて、ターゲットドメインでうまく機能するように適応することを目的としている。Segment Anything Model(SAM)の最近の成功に触発されて、さまざまなモダリティのセグメンテーションイメージの一般化と、バウンディングボックスやポイントのような人称的なプロンプトが与えられた異なるドメインにおけるセグメンテーションイメージの一般化が示され、私たちはSegment Anything Model for SFDAのポテンシャルを、正確なバウンディングボックスプロンプトを自動検出することによって、初めて探索する。 そこで本研究では,既存のSFDAアプローチで直接生成される境界ボックスが,ドメインギャップによって欠陥があることに気付き,この問題に対処するために,ボックスプロンプトを検索するための新しいDual Feature Guided(DFG)自動プロンプト手法を提案する。 具体的には、まず、ソースモデルをターゲットドメインにプリミティブに適応させるだけでなく、ボックスプロンプト検索用に適切に準備された特徴分布を構築する機能集約フェーズで訓練する。 第2フェーズでは,2つの特徴分布観測に基づいて,ターゲットモデル特徴とSAM特徴の誘導によりボックスプロンプトを徐々に拡張し,クラスワイドクラスタ化ターゲット特徴とクラスワイド分散ターゲット特徴をそれぞれ扱う。 ターゲットモデルの過信予測による潜在的に拡大された偽陽性領域を除去するために、SAMによって生成された洗練された擬似ラベルを接続解析に基づいて後処理する。 3Dおよび2Dデータセットの実験から,本手法は従来の手法に比べて優れた性能を示すことが示された。 コードはhttps://github.com/xmed-lab/DFG.comで入手できる。

関連論文リスト

• CNG-SFDA:Clean-and-Noisy Region Guided Online-Offline Source-Free Domain Adaptation [6.222371087167951]
  Source-Free Domain Adaptation (SFDA)は、ソースドメインのトレーニングされたモデルをターゲットドメインに採用することを目的としている。 ターゲットドメインでの偽ラベルの扱いは、モデルのパフォーマンスに悪影響を及ぼすため、非常に重要です。 我々は、オンライン/オフラインのSFDA設定において、複数のデータセットに関する広範な実験を行い、その結果、CNG-SFDAは、ほとんどのケースで最先端を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-26T01:29:37Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、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に知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• Semi-supervised Domain Adaptation via Prototype-based Multi-level Learning [4.232614032390374]
  半教師付きドメイン適応(SSDA)では、各クラスのいくつかのラベル付きターゲットサンプルが、完全なラベル付きソースドメインからターゲットドメインへの知識表現の転送を支援する。 本稿では,ラベル付き対象サンプルの可能性をうまく活用するために,プロトタイプベースのマルチレベル学習(ProML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-04T10:09:30Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Casting a BAIT for Offline and Online Source-free Domain Adaptation [51.161476418834766]
  我々は、ソースフリードメイン適応(SFDA)問題に対処し、ターゲットドメインへの適応中にのみソースモデルが利用可能となる。 本稿では,多種多様な分類器に基づくドメイン適応法に着想を得て,第2の分類器を導入する。 ターゲットドメインに適合すると、ソースから追加の分類器が誤って分類された特徴を見つけることが期待される。 本手法は, オープンソースフリードメイン適応設定下において, SFDA法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-10-23T14:18:42Z)

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。