論文の概要: Instance-Free Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2602.06484v1
• Date: Fri, 06 Feb 2026 08:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.294011
• Title: Instance-Free Domain Adaptive Object Detection
• Title（参考訳）: インスタンスフリードメイン適応オブジェクト検出
• Authors: Hengfu Yu, Jinhong Deng, Lixin Duan, Wen Li,
• Abstract要約: ケースフリー適応オブジェクト検出(ODDA)のための新しいドメイン構造整合性ネットワーク(RSCN)を提案する。 RSCNは、背景機能プロトタイプに基づいたアライメントの先駆者であり、同時に各ドメイン内の前景機能と背景機能との関係の一貫性を奨励している。 大規模な実験により、RCCNはインスタンスフリーシナリオの3つのベンチマークで既存のODDメソッドよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 32.79888052581607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Domain Adaptive Object Detection (DAOD) has made significant strides, most methods rely on unlabeled target data that is assumed to contain sufficient foreground instances. However, in many practical scenarios (e.g., wildlife monitoring, lesion detection), collecting target domain data with objects of interest is prohibitively costly, whereas background-only data is abundant. This common practical constraint introduces a significant technical challenge: the difficulty of achieving domain alignment when target instances are unavailable, forcing adaptation to rely solely on the target background information. We formulate this challenge as the novel problem of Instance-Free Domain Adaptive Object Detection. To tackle this, we propose the Relational and Structural Consistency Network (RSCN) which pioneers an alignment strategy based on background feature prototypes while simultaneously encouraging consistency in the relationship between the source foreground features and the background features within each domain, enabling robust adaptation even without target instances. To facilitate research, we further curate three specialized benchmarks, including simulative auto-driving detection, wildlife detection, and lung nodule detection. Extensive experiments show that RSCN significantly outperforms existing DAOD methods across all three benchmarks in the instance-free scenario. The code and benchmarks will be released soon.
• Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は大きな進歩を遂げているが、ほとんどのメソッドは十分なフォアグラウンドインスタンスを含むと仮定されるラベル付けされていないターゲットデータに依存している。 しかし、多くの現実的なシナリオ(例えば、野生生物の監視、病変検出)では、対象のドメインデータを関心のあるオブジェクトで収集することは違法にコストがかかるが、背景のみのデータは豊富である。 この一般的な実践的制約は、ターゲットインスタンスが利用できない場合にドメインアライメントを達成するのが難しく、適応をターゲットのバックグラウンド情報のみに頼らざるを得ないという、重要な技術的課題をもたらす。 我々は、インスタンスフリーなドメイン適応オブジェクト検出の新たな問題として、この課題を定式化します。 そこで本研究では,背景特徴のプロトタイプに基づくアライメント戦略の先駆者でありながら,各領域の背景特徴と背景特徴の関係の整合性を同時に促進し,ターゲットインスタンスを使わずにロバストな適応を可能にするリレーショナル・構造整合性ネットワーク(RSCN)を提案する。 研究を容易にするため,シミュレーティブオートドライブ検出,野生生物検出,肺結節検出の3つの特別なベンチマークをキュレートした。 大規模な実験により、RCCNはインスタンスフリーシナリオで3つのベンチマーク全てで既存のDAODメソッドを著しく上回っていることがわかった。 コードとベンチマークはまもなくリリースされる予定だ。

関連論文リスト

• Domain Generalization of 3D Object Detection by Density-Resampling [14.510085711178217]
  ポイントクラウドベースの3Dオブジェクト検出は、新しいドメインギャップを持つデータに遭遇する際のパフォーマンス劣化に悩まされる。 対象領域に対する3次元物体検出の一般化性を向上させるためのSDG法を提案する。 本研究では,新しいデータ拡張手法を導入し,その方法論に新しいマルチタスク学習戦略を貢献する。
  論文  参考訳（メタデータ） (2023-11-17T20:01:29Z)
• Robust Stance Detection: Understanding Public Perceptions in Social Media [15.460495567765362]
  スタンス検出は、明確に定義されたトピックに対する正確な位置を特定する。 従来のスタンス検出モデルは、新しいドメインやトピックに適用すると、パフォーマンスが低下することが多い。 本稿では,反実データ拡張と対照的な学習を組み合わせることで,姿勢検出の堅牢性を高める方法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T18:19:51Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• 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)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。