論文の概要: PAGen: Phase-guided Amplitude Generation for Domain-adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2511.22029v1
• Date: Thu, 27 Nov 2025 02:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.357157
• Title: PAGen: Phase-guided Amplitude Generation for Domain-adaptive Object Detection
• Title（参考訳）: PAGen:ドメイン適応オブジェクト検出のための位相誘導振幅生成
• Authors: Shuchen Du, Shuo Lei, Feiran Li, Jiacheng Li, Daisuke Iso,
• Abstract要約: 教師なしドメイン適応(UDA)は、さまざまな環境にまたがるニューラルネットワークの展開を大いに促進する。 本稿では、周波数領域における画像スタイルの適応を学習し、ソース領域とターゲット領域との差を小さくする、シンプルで効果的なUDA手法を提案する。
• 参考スコア（独自算出の注目度）: 15.55359477953804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised domain adaptation (UDA) greatly facilitates the deployment of neural networks across diverse environments. However, most state-of-the-art approaches are overly complex, relying on challenging adversarial training strategies, or on elaborate architectural designs with auxiliary models for feature distillation and pseudo-label generation. In this work, we present a simple yet effective UDA method that learns to adapt image styles in the frequency domain to reduce the discrepancy between source and target domains. The proposed approach introduces only a lightweight pre-processing module during training and entirely discards it at inference time, thus incurring no additional computational overhead. We validate our method on domain-adaptive object detection (DAOD) tasks, where ground-truth annotations are easily accessible in source domains (e.g., normal-weather or synthetic conditions) but challenging to obtain in target domains (e.g., adverse weather or low-light scenes). Extensive experiments demonstrate that our method achieves substantial performance gains on multiple benchmarks, highlighting its practicality and effectiveness.
• Abstract（参考訳）: 教師なしドメイン適応(UDA)は、さまざまな環境にまたがるニューラルネットワークの展開を大いに促進する。 しかし、ほとんどの最先端のアプローチは過度に複雑であり、挑戦的な敵の訓練戦略や、特徴蒸留と擬似ラベル生成のための補助モデルを備えた精巧な建築設計に依存している。 本研究では、周波数領域における画像スタイルの適応を学習し、ソース領域とターゲット領域との差を小さくする、シンプルで効果的なUDA手法を提案する。 提案手法では、トレーニング中に軽量な前処理モジュールのみを導入し、推論時に完全に破棄するので、計算オーバーヘッドは発生しない。 提案手法は,ドメイン適応型オブジェクト検出(DAOD)タスクにおいて,ソースドメイン(例:ノーマルウェザー,合成条件)で接するが,ターゲットドメイン(例:悪天候,低照度シーン)では取得が困難である。 大規模な実験により,本手法は複数のベンチマークにおいて大幅な性能向上を実現し,その実用性と有効性を強調した。

関連論文リスト

• Instance-Aware Pseudo-Labeling and Class-Focused Contrastive Learning for Weakly Supervised Domain Adaptive Segmentation of Electron Microscopy [4.145365369120085]
  非教師なしドメイン適応(UDA)メソッドは、実用アプリケーションでは比較的性能が低い。 本稿では,新しい事例認識型擬似ラベル(IPL)選択戦略を提案する。 提案手法は既存のUDA法やWDA法よりも優れており,教師付き上限による性能ギャップを著しく狭めている。
  論文  参考訳（メタデータ） (2025-10-18T11:05:37Z)
• Feature Based Methods in Domain Adaptation for Object Detection: A Review Paper [0.6437284704257459]
  ドメイン適応は、異なるデータ分布を持つターゲットドメインにデプロイされた場合、機械学習モデルの性能を向上させることを目的としている。 本総説では, 対人学習, 相違に基づく多分野, 教師学生, アンサンブル, ビジョン言語モデルなど, ドメイン適応のための高度な方法論を考察する。 特に合成ドメインシフトを含むシナリオにおいて、ラベル付きデータへの依存を最小限に抑える戦略に特に注意が払われる。
  論文  参考訳（メタデータ） (2024-12-23T06:34:23Z)
• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送と適応を目的としている。 伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。 本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-05T20:16:38Z)
• 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)
• DA-DETR: Domain Adaptive Detection Transformer with Information Fusion [53.25930448542148]
  DA-DETR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への効果的な転送のための情報融合を導入するドメイン適応型オブジェクト検出変換器である。 本稿では,CNN機能とトランスフォーマー機能を融合した新しいCNN-Transformer Blender(CTBlender)を提案する。 CTBlenderはTransformer機能を使用して、高レベルの意味情報と低レベルの空間情報が融合した複数のスケールでCNN機能を変調し、正確な物体識別と位置決めを行う。
  論文  参考訳（メタデータ） (2021-03-31T13:55:56Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)

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。