論文の概要: Adapter Naturally Serves as Decoupler for Cross-Domain Few-Shot Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2506.07376v1
- Date: Mon, 09 Jun 2025 02:51:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.788002
- Title: Adapter Naturally Serves as Decoupler for Cross-Domain Few-Shot Semantic Segmentation
- Title（参考訳）: アダプタは自然にデカップラーとして機能し, クロスドメインなFew-Shotセマンティックセマンティックセマンティックセマンティックセグメンテーション
- Authors: Jintao Tong, Ran Ma, Yixiong Zou, Guangyao Chen, Yuhua Li, Ruixuan Li,
- Abstract要約: 十分なサンプルを用いて、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、クロスドメイン小ショットセグメンテーション(CD-FSS)を提案する。
対象ドメイン上では、ターゲット固有の知識を学習するために、モデルを凍結し、DFNを微調整する。
提案手法は,CD-FSSの最先端手法を2.69%,MIoUが4.68%,1ショット・5ショット・シナリオでは2.68%に大きく上回っている。
- 参考スコア（独自算出の注目度）: 14.660710170156202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain few-shot segmentation (CD-FSS) is proposed to pre-train the model on a source-domain dataset with sufficient samples, and then transfer the model to target-domain datasets where only a few samples are available for efficient fine-tuning. There are majorly two challenges in this task: (1) the domain gap and (2) fine-tuning with scarce data. To solve these challenges, we revisit the adapter-based methods, and discover an intriguing insight not explored in previous works: the adapter not only helps the fine-tuning of downstream tasks but also naturally serves as a domain information decoupler. Then, we delve into this finding for an interpretation, and find the model's inherent structure could lead to a natural decoupling of domain information. Building upon this insight, we propose the Domain Feature Navigator (DFN), which is a structure-based decoupler instead of loss-based ones like current works, to capture domain-specific information, thereby directing the model's attention towards domain-agnostic knowledge. Moreover, to prevent the potential excessive overfitting of DFN during the source-domain training, we further design the SAM-SVN method to constrain DFN from learning sample-specific knowledge. On target domains, we freeze the model and fine-tune the DFN to learn target-specific knowledge specific. Extensive experiments demonstrate that our method surpasses the state-of-the-art method in CD-FSS significantly by 2.69% and 4.68% MIoU in 1-shot and 5-shot scenarios, respectively.
- Abstract（参考訳）: クロスドメイン小ショットセグメンテーション(CD-FSS)は、十分なサンプルで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し、少数のサンプルしか使用できないターゲットドメインデータセットにモデルを転送する。
このタスクには、(1)ドメインギャップと(2)データ不足による微調整の2つの課題がある。
これらの課題を解決するため、我々はアダプタベースの手法を再検討し、以前の研究で探求されなかった興味深い洞察を見出す:アダプタは下流タスクの微調整を助けるだけでなく、ドメイン情報デカップラとしても自然に機能する。
そして、この発見を解釈し、モデル固有の構造を見つければ、ドメイン情報の自然な分離につながる可能性がある。
この知見に基づいて、現在の作業のような損失ベースのものの代わりに構造ベースのデカップラであるDomain Feature Navigator(DFN)を提案し、ドメイン固有の情報をキャプチャし、ドメインに依存しない知識にモデルが注意を向ける。
さらに、ソースドメイントレーニングにおけるDFNの過度なオーバーフィッティングを防止するため、サンプル固有知識の学習を制限するSAM-SVN法をさらに設計する。
対象ドメイン上では、ターゲット固有の知識を学習するために、モデルを凍結し、DFNを微調整する。
本手法はCD-FSSの最先端手法を2.69%,MIoUが4.68%,1ショット・5ショット・シナリオでは2.68%,それぞれ有意差が認められた。
関連論文リスト
- Leveraging Segment Anything Model for Source-Free Domain Adaptation via Dual Feature Guided Auto-Prompting [14.640695608089796]
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。
論文 参考訳（メタデータ） (2025-05-13T13:00:48Z) - High-order Neighborhoods Know More: HyperGraph Learning Meets Source-free Unsupervised Domain Adaptation [34.08681468394247]
Source-free Unsupervised Domain Adaptationは、未学習のソースモデルと未学習のターゲットモデルにのみアクセスすることで、ターゲットサンプルを分類することを目的としている。
既存の手法は、通常、対象サンプル間のペアワイズ関係を利用して、これらのサンプルを意味的特徴に基づいてクラスタリングすることで、それらの相関関係を見つけようとする。
本研究では、高次近傍関係を利用して、ドメインシフト効果を明示的に考慮した新しいSFDA法を提案する。
論文 参考訳（メタデータ） (2024-05-11T05:07:43Z) - 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) - A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。
提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
論文 参考訳（メタデータ） (2021-06-22T10:21:39Z) - 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) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Domain Adaptation for Learning Generator from Paired Few-Shot Data [72.04430033118426]
十分なソースデータと少数のターゲットデータを持つジェネレータを学習するためのペアドフェーショットGAN(PFS-GAN)モデルを提案する。
提案手法は,複数のベースラインと比較して,より多様性の高い生成対象ドメインデータに対して,定量的,定性的な結果が得られる。
論文 参考訳（メタデータ） (2021-02-25T10:11:44Z) - 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。