論文の概要: Cross-Domain Object Detection Using Unsupervised Image Translation

• arxiv url: http://arxiv.org/abs/2601.11779v1
• Date: Fri, 16 Jan 2026 21:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.319947
• Title: Cross-Domain Object Detection Using Unsupervised Image Translation
• Title（参考訳）: 教師なし画像変換を用いたクロスドメインオブジェクト検出
• Authors: Vinicius F. Arruda, Rodrigo F. Berriel, Thiago M. Paixão, Claudine Badue, Alberto F. De Souza, Nicu Sebe, Thiago Oliveira-Santos,
• Abstract要約: 本研究では,対象領域に人工データセットを生成し,対象検出器を訓練する手法を提案する。 私たちの重要なコントリビューションは、より複雑ではなく、より効果的な方法の提案です。
• 参考スコア（独自算出の注目度）: 39.857749360034916
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised domain adaptation for object detection addresses the adaption of detectors trained in a source domain to work accurately in an unseen target domain. Recently, methods approaching the alignment of the intermediate features proven to be promising, achieving state-of-the-art results. However, these methods are laborious to implement and hard to interpret. Although promising, there is still room for improvements to close the performance gap toward the upper-bound (when training with the target data). In this work, we propose a method to generate an artificial dataset in the target domain to train an object detector. We employed two unsupervised image translators (CycleGAN and an AdaIN-based model) using only annotated data from the source domain and non-annotated data from the target domain. Our key contributions are the proposal of a less complex yet more effective method that also has an improved interpretability. Results on real-world scenarios for autonomous driving show significant improvements, outperforming state-of-the-art methods in most cases, further closing the gap toward the upper-bound.
• Abstract（参考訳）: オブジェクト検出のための教師なしドメイン適応は、ソースドメインで訓練された検出器の適応に対処する。 近年,中間特徴のアライメントにアプローチする手法は有望であることが証明され,最先端の結果が得られた。 しかし、これらの手法は実装に精通しており、解釈が難しい。 有望ではあるが、(ターゲットデータによるトレーニングで)上行方向のパフォーマンスギャップを埋める改善の余地はまだ残っている。 本研究では,対象領域に人工データセットを生成し,対象検出器を訓練する手法を提案する。 我々は、ソースドメインからの注釈付きデータとターゲットドメインからの注釈なしデータのみを用いて、2つの教師なし画像トランスレータ(CycleGANとAdaINベースのモデル)を使用した。 私たちの重要なコントリビューションは、より複雑ではなく、より効果的な方法の提案です。 実世界の自動運転車のシナリオでは、大きな改善が見られ、ほとんどの場合、最先端の手法よりも優れており、さらに上行方向のギャップが閉ざされている。

関連論文リスト

• Cross Domain Object Detection by Target-Perceived Dual Branch Distillation [49.68119030818388]
  クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。 本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。 私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-05-03T03:51:32Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Adversarially Trained Object Detector for Unsupervised Domain Adaptation [4.9631159466100305]
  我々は、教師なし領域適応のための新しいアプローチとして、ソース領域における敵の訓練を適用できることを実証する。 そこで本稿では,頑健な特徴と目標領域とのアライメントを改善するために,対角的トレーニングと特徴アライメントを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2021-09-13T07:21:28Z)
• Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
  ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。 本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。 私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
  論文  参考訳（メタデータ） (2021-08-02T15:24:40Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)
• A simple baseline for domain adaptation using rotation prediction [17.539027866457673]
  目標は、あるドメインでトレーニングされたモデルを、注釈付きデータが少ない別のドメインに適応させることだ。 本稿では,自己教師付き学習に基づく簡易かつ効果的な手法を提案する。 提案手法は,DomainNetデータセット上での半教師付きドメイン適応における最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2019-12-26T17:32:04Z)

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。