論文の概要: Unsupervised Domain Adaptation via Similarity-based Prototypes for Cross-Modality Segmentation

• arxiv url: http://arxiv.org/abs/2510.20596v1
• Date: Thu, 23 Oct 2025 14:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.126741
• Title: Unsupervised Domain Adaptation via Similarity-based Prototypes for Cross-Modality Segmentation
• Title（参考訳）: クロスモーダルセグメンテーションのための類似型プロトタイプによる教師なしドメイン適応
• Authors: Ziyu Ye, Chen Ju, Chaofan Ma, Xiaoyun Zhang,
• Abstract要約: 本稿では,類似性に基づくプロトタイプによるクロスモーダルなセグメンテーションのための新しいフレームワークを提案する。 具体的には、埋め込み空間内でクラスワイドプロトタイプを学習し、それらのプロトタイプを各セマンティッククラスに代表させる類似性制約を導入する。 我々は辞書を用いて、異なる画像から抽出したプロトタイプを格納し、クラス欠落の問題を防止し、プロトタイプの対照的な学習を可能にする。
• 参考スコア（独自算出の注目度）: 16.282091352966635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have achieved great success on various vision challenges, but a well-trained model would face drastic performance degradation when applied to unseen data. Since the model is sensitive to domain shift, unsupervised domain adaptation attempts to reduce the domain gap and avoid costly annotation of unseen domains. This paper proposes a novel framework for cross-modality segmentation via similarity-based prototypes. In specific, we learn class-wise prototypes within an embedding space, then introduce a similarity constraint to make these prototypes representative for each semantic class while separable from different classes. Moreover, we use dictionaries to store prototypes extracted from different images, which prevents the class-missing problem and enables the contrastive learning of prototypes, and further improves performance. Extensive experiments show that our method achieves better results than other state-of-the-art methods.
• Abstract（参考訳）: ディープラーニングモデルは、様々なビジョン課題において大きな成功を収めていますが、よく訓練されたモデルは、目に見えないデータに適用した場合、劇的なパフォーマンス低下に直面します。 モデルはドメインシフトに敏感であるため、教師なしのドメイン適応はドメインギャップを減らし、目に見えないドメインの高価なアノテーションを避ける。 本稿では,類似性に基づくプロトタイプによるクロスモーダルなセグメンテーションのための新しいフレームワークを提案する。 具体的には、埋め込み空間内でクラスワイドプロトタイプを学習し、異なるクラスから分離可能ながら、各セマンティッククラスにこれらのプロトタイプを代表させるように類似性制約を導入する。 さらに,異なる画像から抽出したプロトタイプを辞書に格納することで,クラス欠落を防止し,プロトタイプのコントラスト学習を可能にし,性能の向上を図る。 大規模な実験により,本手法は他の最先端手法よりも優れた結果が得られた。

関連論文リスト

• Mind the Gap Between Prototypes and Images in Cross-domain Finetuning [64.97317635355124]
  プロトタイプと画像にそれぞれ異なる変換を適用するために,コントラスト型プロトタイプイメージ適応(CoPA)を提案する。 Meta-Datasetの実験では、CoPAが最先端のパフォーマンスをより効率的に達成できることが示されている。
  論文  参考訳（メタデータ） (2024-10-16T11:42:11Z)
• An Enhanced Federated Prototype Learning Method under Domain Shift [36.73020712815063]
  Federated Learning (FL)は、プライベートデータを共有することなく、協調的な機械学習トレーニングを可能にする。 最近の論文では、分散対応のデュアルレベルプロトタイプクラスタリングを導入し、新しい$alpha$-sparsityプロトタイプロスを用いる。 Digit-5、Office-10、DomainNetデータセットの評価は、我々の手法が既存のアプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-27T09:28:27Z)
• Adaptive Parametric Prototype Learning for Cross-Domain Few-Shot Classification [23.82751179819225]
  本稿では,メタラーニング・コンベンションの下で新しい適応パラメトリックプロトタイプ学習法(APPL)を開発した。 APPLは多くの最先端のクロスドメイン・ショット・ラーニング手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-09-04T03:58:50Z)
• Semi-supervised Semantic Segmentation with Prototype-based Consistency Regularization [20.4183741427867]
  半教師付きセマンティックセグメンテーションでは、制限された注釈付き画像からラベルなし画像へラベル情報を伝達する必要がある。 このようなピクセルごとの予測タスクの課題は、クラス内の大きなバリエーションである。 本稿では,ラベルの伝搬困難を緩和するために,クラス内特徴の分布を正規化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T01:38:01Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS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） (2021-11-09T08:14:50Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。