論文の概要: CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings

• arxiv url: http://arxiv.org/abs/2507.07125v1
• Date: Tue, 08 Jul 2025 18:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.128047
• Title: CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings
• Title（参考訳）: CoPT:ドメインに依存しないテキスト埋め込みを用いた教師なしドメイン適応セグメンテーション
• Authors: Cristina Mata, Kanchana Ranasinghe, Michael S. Ryoo,
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメイン内のラベル付きデータからクラスセマンティクスを学習し、未確認のターゲットドメインに一般化する。 画像セグメンテーションエンコーダにおいて、ドメインに依存しないテキスト埋め込みを用いて、ドメイン不変の特徴を学習する新しいCovarianceベースのPixel-Text損失CoPTを提案する。 4つのベンチマーク実験において,CoPTを用いてトレーニングしたモデルが,セグメント化のためのUDA上でのアートパフォーマンスの新たな状態を達成することを示す。
• 参考スコア（独自算出の注目度）: 35.88225773710471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) involves learning class semantics from labeled data within a source domain that generalize to an unseen target domain. UDA methods are particularly impactful for semantic segmentation, where annotations are more difficult to collect than in image classification. Despite recent advances in large-scale vision-language representation learning, UDA methods for segmentation have not taken advantage of the domain-agnostic properties of text. To address this, we present a novel Covariance-based Pixel-Text loss, CoPT, that uses domain-agnostic text embeddings to learn domain-invariant features in an image segmentation encoder. The text embeddings are generated through our LLM Domain Template process, where an LLM is used to generate source and target domain descriptions that are fed to a frozen CLIP model and combined. In experiments on four benchmarks we show that a model trained using CoPT achieves the new state of the art performance on UDA for segmentation. The code can be found at https://github.com/cfmata/CoPT.
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメイン内のラベル付きデータからクラスセマンティクスを学習し、未確認のターゲットドメインに一般化する。 UDAメソッドは、画像分類よりもアノテーションの収集が難しいセグメンテーションに特に影響を及ぼす。 近年の大規模視覚言語表現学習の進歩にもかかわらず、セグメント化のためのUDA法はテキストのドメインに依存しない性質を生かしていない。 これを解決するために,ドメインに依存しないテキスト埋め込みを用いて画像分割エンコーダのドメイン不変機能を学習する,新しいCovarianceベースのPixel-Text損失(CoPT)を提案する。 LLMは、凍結したCLIPモデルに供給され、組み合わせられたソースおよびターゲットドメイン記述を生成するのに、LLMを使用しています。 4つのベンチマーク実験において,CoPTを用いてトレーニングしたモデルが,セグメント化のためのUDAにおける新しい最先端性能を実現することを示す。 コードはhttps://github.com/cfmata/CoPTにある。

関連論文リスト

• How Useful is Continued Pre-Training for Generative Unsupervised Domain Adaptation? [23.454153602068786]
  生成型UDAにおけるCPT(Continuoused Pre-Training)の有用性について検討した。 以上の結果から,下流の課題を暗黙的に学習し,その課題に有意なマスク付き単語を予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-01-31T00:15:34Z)
• 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)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応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対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Domain Adaptation via Prompt Learning [39.97105851723885]
  Unsupervised Domain Adaption (UDA) は、十分にアノテーションされたソースドメインから学習したモデルをターゲットドメインに適応させることを目的としている。 我々は,Prompt Learning (DAPL) によるドメイン適応という,UDAのための新しいプロンプト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-02-14T13:25:46Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
  本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:33:57Z)

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。