論文の概要: Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2509.16942v1
• Date: Sun, 21 Sep 2025 06:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.046927
• Title: Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation
• Title（参考訳）: リモートセンシングセマンティックセマンティックセグメンテーションにおけるソースフリードメイン適応のためのプロトタイプベース擬似ラベルデノベーション
• Authors: Bin Wang, Fei Deng, Zeyu Chen, Zhicheng Yu, Yiguang Liu,
• Abstract要約: Source-Free Domain Adaptation (SFDA)は、よく訓練されたソースモデルと未ラベルのターゲットドメインデータのみを使用して、リモートセンシング画像(RSI)のセマンティックセグメンテーションのためのドメイン適応を可能にする。 本稿では,プロトタイプ誘導型FDAフレームワークであるProSFDAを提案する。プロトタイプ重み付き擬似ラベルを用いて,擬似ラベル雑音下での信頼性の高い自己訓練(ST)を容易にする。 さらに,同クラスに属する特徴の集約を奨励するプロトタイプコントラスト戦略を導入し,そのモデルが地道的な監督に頼らずに識別対象ドメイン表現を学習できるようにする。
• 参考スコア（独自算出の注目度）: 16.927392753457866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-Free Domain Adaptation (SFDA) enables domain adaptation for semantic segmentation of Remote Sensing Images (RSIs) using only a well-trained source model and unlabeled target domain data. However, the lack of ground-truth labels in the target domain often leads to the generation of noisy pseudo-labels. Such noise impedes the effective mitigation of domain shift (DS). To address this challenge, we propose ProSFDA, a prototype-guided SFDA framework. It employs prototype-weighted pseudo-labels to facilitate reliable self-training (ST) under pseudo-labels noise. We, in addition, introduce a prototype-contrast strategy that encourages the aggregation of features belonging to the same class, enabling the model to learn discriminative target domain representations without relying on ground-truth supervision. Extensive experiments show that our approach substantially outperforms existing methods.
• Abstract（参考訳）: Source-Free Domain Adaptation (SFDA)は、よく訓練されたソースモデルと未ラベルのターゲットドメインデータのみを使用して、リモートセンシング画像(RSI)のセマンティックセグメンテーションのためのドメイン適応を可能にする。 しかし、ターゲット領域に基調ラベルがないため、しばしばノイズの多い擬似ラベルが生成される。 このようなノイズはドメインシフト(DS)の効果的な緩和を阻害する。 この課題に対処するため,プロトタイプ誘導型FDAフレームワークであるProSFDAを提案する。 プロトタイプ重み付き擬似ラベルを用いて、擬似ラベル雑音下での信頼性の高い自己学習(ST)を容易にする。 さらに,同クラスに属する特徴の集約を奨励するプロトタイプコントラスト戦略を導入し,そのモデルが地道的な監督に頼らずに識別対象ドメイン表現を学習できるようにする。 大規模な実験により,本手法は既存手法より大幅に優れていることが示された。

関連論文リスト

• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• DDFP: Data-dependent Frequency Prompt for Source Free Domain Adaptation of Medical Image Segmentation [15.107136785491482]
  ドメイン適応は、ドメインギャップに起因するモデルパフォーマンス劣化の課題に対処する。 ラベル付きソースドメインデータ、特に医療データセットへのアクセスは、プライバシポリシによって制限される。 本稿では,これらの課題に対処するために,新規なソースフリードメイン適応(SFDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T03:24:54Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• Boosting Cross-Domain Speech Recognition with Self-Supervision [35.01508881708751]
  自動音声認識(ASR)のクロスドメイン性能は,トレーニングとテストのミスマッチにより著しく損なわれる可能性がある。 従来, 自己監督学習 (SSL) や擬似ラベル学習 (PL) は, 未ラベルデータの自己監督を利用してUDAに有効であることが示された。 この研究は、事前学習および微調整のパラダイムにおいて、ラベルなしデータを完全に活用する体系的なUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-20T14:02:53Z)
• 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)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• 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)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation [14.8840510432657]
  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に知識を転送することを目的としている。 既存の自己学習に基づくUDAアプローチでは、ターゲットデータに擬似ラベルを割り当て、それらを基底真理ラベルとして扱う。 ソースドメインに最適化されたモデルから生成された擬似ラベルは、必然的にドメインギャップによるノイズを含む。
  論文  参考訳（メタデータ） (2021-03-09T06:57:03Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)

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。