論文の概要: In defense of the two-stage framework for open-set domain adaptive semantic segmentation

• arxiv url: http://arxiv.org/abs/2601.01439v1
• Date: Sun, 04 Jan 2026 08:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.351097
• Title: In defense of the two-stage framework for open-set domain adaptive semantic segmentation
• Title（参考訳）: オープンセット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2段階フレームワークの擁護
• Authors: Wenqi Ren, Weijie Wang, Meng Zheng, Ziyan Wu, Yang Tang, Zhun Zhong, Nicu Sebe,
• Abstract要約: Open-Set Domain Adaptation for Semantic Training (OSDA-SS)は、既知のクラスに対するドメイン適応と未知の区別の両方を必要とする。 そこで我々は,OSDA-SSを未知の分離と未知のドメイン適応という2つの逐次ステップで扱う分離適応訓練戦略SATSを提案する。 本手法は,未知のクラスと未知のクラスの両方に対する識別的特徴のバランスの取れた学習を保証し,真に未知のオブジェクトの発見に向けてモデルを操る。
• 参考スコア（独自算出の注目度）: 114.08201544572546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-Set Domain Adaptation for Semantic Segmentation (OSDA-SS) presents a significant challenge, as it requires both domain adaptation for known classes and the distinction of unknowns. Existing methods attempt to address both tasks within a single unified stage. We question this design, as the annotation imbalance between known and unknown classes often leads to negative transfer of known classes and underfitting for unknowns. To overcome these issues, we propose SATS, a Separating-then-Adapting Training Strategy, which addresses OSDA-SS through two sequential steps: known/unknown separation and unknown-aware domain adaptation. By providing the model with more accurate and well-aligned unknown classes, our method ensures a balanced learning of discriminative features for both known and unknown classes, steering the model toward discovering truly unknown objects. Additionally, we present hard unknown exploration, an innovative data augmentation method that exposes the model to more challenging unknowns, strengthening its ability to capture more comprehensive understanding of target unknowns. We evaluate our method on public OSDA-SS benchmarks. Experimental results demonstrate that our method achieves a substantial advancement, with a +3.85% H-Score improvement for GTA5-to-Cityscapes and +18.64% for SYNTHIA-to-Cityscapes, outperforming previous state-of-the-art methods.
• Abstract（参考訳）: Open-Set Domain Adaptation for Semantic Segmentation (OSDA-SS)は、既知のクラスに対するドメイン適応と未知の区別の両方を必要とするため、大きな課題である。 既存のメソッドは、両方のタスクを単一の統一ステージ内で解決しようとする。 既知のクラスと未知クラスのアノテーションの不均衡は、しばしば既知のクラスの負の移動と未知のクラスに対する不適合をもたらすため、この設計に疑問を呈する。 これらの課題を克服するために,OSDA-SSに対処する分離適応訓練戦略SATSを提案する。 本手法は,より正確で整合性の高い未知のクラスをモデルに提供することにより,未知のクラスと未知のクラスの両方に対する識別的特徴のバランスの取れた学習を保証する。 さらに、より困難な未知にモデルを公開し、ターゲットの未知をより包括的に理解する能力を高める革新的なデータ拡張手法である、ハードノウ・サーベイを提案する。 提案手法をOSDA-SSベンチマークで評価する。 実験の結果,GTA5-to-Cityscapesでは+3.85%,SynTHIA-to-Cityscapesでは+18.64%,従来の最先端手法では+3.85%のHスコア改善が達成された。

関連論文リスト

• Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection [3.9890357781493595]
  Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 我々は,未知のオブジェクトの発見と適応を相互に(セットベースの)データ発見と表現学習タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection (CROWD)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T21:48:08Z)
• Self-Cooperation Knowledge Distillation for Novel Class Discovery [8.984031974257274]
  新たなクラス発見(NCD)は、既知のクラスについて既に学んだ知識を活用することで、ラベルのないセットで未知のクラスと新しいクラスを発見することを目的としている。 本研究では, 自己協調的知識蒸留法 (SCKD) を提案し, 各トレーニングサンプル(既知の, 新規, ラベル付, ラベル付, 未ラベル) を, レビューと発見の両方に活用する。
  論文  参考訳（メタデータ） (2024-07-02T03:49:48Z)
• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。