論文の概要: OMUDA: Omni-level Masking for Unsupervised Domain Adaptation in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2512.12303v1
• Date: Sat, 13 Dec 2025 12:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.20997
• Title: OMUDA: Omni-level Masking for Unsupervised Domain Adaptation in Semantic Segmentation
• Title（参考訳）: OMUDA:セマンティックセグメンテーションにおける教師なしドメイン適応のためのOmniレベルマスキング
• Authors: Yang Ou, Xiongwei Zhao, Xinye Yang, Yihan Wang, Yicheng Di, Rong Yuan, Xieyuanli Chen, Xu Zhu,
• Abstract要約: OMUDA(Omni-level Masking for Unsupervised Domain Adaptation)は,異なる表現レベルにまたがって階層的なマスキング戦略を導入する統一フレームワークである。 OMUDAは,(1)背景を背景からグローバルな文脈と局所的な詳細を適応的に区別するコンテキスト意識マスキング(CAM)戦略,(2)事前訓練されたモデルからの知識伝達による堅牢で一貫した特徴学習を強化する特徴蒸留マスキング(FDM)戦略,(3)クラスデカップリングマスキング(CDM)戦略を,クラスワイド不確実性を明示的にモデル化することにより,ノイズのある擬似ラベルの影響を緩和する。
• 参考スコア（独自算出の注目度）: 29.520497497017015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) enables semantic segmentation models to generalize from a labeled source domain to an unlabeled target domain. However, existing UDA methods still struggle to bridge the domain gap due to cross-domain contextual ambiguity, inconsistent feature representations, and class-wise pseudo-label noise. To address these challenges, we propose Omni-level Masking for Unsupervised Domain Adaptation (OMUDA), a unified framework that introduces hierarchical masking strategies across distinct representation levels. Specifically, OMUDA comprises: 1) a Context-Aware Masking (CAM) strategy that adaptively distinguishes foreground from background to balance global context and local details; 2) a Feature Distillation Masking (FDM) strategy that enhances robust and consistent feature learning through knowledge transfer from pre-trained models; and 3) a Class Decoupling Masking (CDM) strategy that mitigates the impact of noisy pseudo-labels by explicitly modeling class-wise uncertainty. This hierarchical masking paradigm effectively reduces the domain shift at the contextual, representational, and categorical levels, providing a unified solution beyond existing approaches. Extensive experiments on multiple challenging cross-domain semantic segmentation benchmarks validate the effectiveness of OMUDA. Notably, on the SYNTHIA->Cityscapes and GTA5->Cityscapes tasks, OMUDA can be seamlessly integrated into existing UDA methods and consistently achieving state-of-the-art results with an average improvement of 7%.
• Abstract（参考訳）: 教師なしドメイン適応(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へのセグメンテーションモデルを一般化することを可能にする。 しかし、既存のUDAメソッドは、ドメイン間のコンテキストのあいまいさ、一貫性のない特徴表現、クラス単位での擬似ラベルノイズによって、ドメインギャップを埋めることに苦慮している。 これらの課題に対処するために、異なる表現レベルにまたがって階層的なマスキング戦略を導入する統一フレームワークであるOmni-level Masking for Unsupervised Domain Adaptation (OMUDA)を提案する。 具体的には、おむだは以下の通りである。 1) 背景と背景とグローバルコンテキストと局所的詳細とのバランスを適応的に区別する文脈対応マスキング(CAM)戦略 2)事前訓練されたモデルからの知識伝達による堅牢で一貫した特徴学習を促進する機能蒸留マスキング(FDM)戦略 3) クラス・デカップリング・マスキング(CDM)戦略は, クラス・ワイドの不確実性を明示的にモデル化することにより, ノイズの多い擬似ラベルの影響を緩和する。 この階層的なマスキングパラダイムは、コンテキスト、表現、カテゴリーレベルでのドメインシフトを効果的に削減し、既存のアプローチを越えて統一されたソリューションを提供する。 複数の挑戦的なドメイン間セマンティックセマンティックセグメンテーションベンチマークに関する大規模な実験は、OMUDAの有効性を検証する。 特に,SynTHIA->Cityscapes と GTA5->Cityscapes のタスクでは,OMUDA を既存の UDA メソッドにシームレスに統合し,平均7% の精度で最先端の成果を継続的に達成することができる。

関連論文リスト

• Multi-Prompt Progressive Alignment for Multi-Source Unsupervised Domain Adaptation [73.40696661117408]
  未ラベルの下流タスクにCLIPを適用するためのプログレッシブアライメント戦略を提案する。 私たちはアプローチをMP2Aと名付け、ImageCLEF、Office-Home、そして最も難しいDomainNetという3つの人気のあるUDAベンチマークでテストします。 実験によると、MP2Aは最新のCLIPベースのMS-UDAアプローチと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-31T09:42:42Z)
• Heterogeneous-Modal Unsupervised Domain Adaptation via Latent Space Bridging [12.171477896623148]
  Heterogeneous-Modal Unsupervised Domain Adaptation (HMUDA) という新しい設定を提案する。 HMUDAは、両方のモダリティからラベルのないサンプルを含むブリッジドメインを活用することで、全く異なるモダリティ間の知識伝達を可能にする。 セマンティックセグメンテーションタスク用に設計された特殊なフレームワークであるLatent Space Bridging (LSB)を提案する。
  論文  参考訳（メタデータ） (2025-06-19T02:31:51Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Language-Guided Instance-Aware Domain-Adaptive Panoptic Segmentation [44.501770535446624]
  汎視的ドメイン適応の鍵となる課題は、ラベル付きソースとラベルなしターゲットドメインの間のドメインギャップを減らすことである。 我々は、新しいクロスドメイン混合戦略IMixによるインスタンスレベル適応の導入に重点を置いている。 LIDAPSと呼ばれる2つのメカニズムを組み込んだエンド・ツー・エンド・エンド・モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-04T20:42:49Z)
• Semi-supervised Domain Adaptation for Semantic Segmentation [3.946367634483361]
  セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。 提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の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） (2021-10-20T16:13:00Z)
• Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification [123.75412386783904]
  最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。 UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。 我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2021-08-22T09:57:14Z)
• Context-Aware Mixup for Domain Adaptive Semantic Segmentation [52.1935168534351]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインのモデルをラベル付き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。 ドメイン適応型セマンティックセグメンテーションのためのエンド・ツー・エンドコンテキスト・アウェア・ミックスアップ(CAMix)を提案する。 実験結果から,提案手法は最先端の手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-08-08T03:00:22Z)
• 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)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal and Clustered Embeddings [25.137859989323537]
  本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。 識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
  論文  参考訳（メタデータ） (2020-11-25T10:06:22Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。