論文の概要: DA-Cal: Towards Cross-Domain Calibration in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2602.20860v1
• Date: Tue, 24 Feb 2026 13:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.75464
• Title: DA-Cal: Towards Cross-Domain Calibration in Semantic Segmentation
• Title（参考訳）: DA-Cal: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校正に向けて
• Authors: Wangkai Li, Rui Sun, Zhaoyang Li, Yujia Chen, Tianzhu Zhang,
• Abstract要約: DA-Calは、ターゲットドメインのキャリブレーションをソフトな擬似ラベル最適化に変換するクロスドメインフレームワークである。 実験によると、DA-Calは複数のUDAセグメンテーションベンチマークで既存の自己学習フレームワークとシームレスに統合されている。
• 参考スコア（独自算出の注目度）: 37.89728131013411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While existing unsupervised domain adaptation (UDA) methods greatly enhance target domain performance in semantic segmentation, they often neglect network calibration quality, resulting in misalignment between prediction confidence and actual accuracy -- a significant risk in safety-critical applications. Our key insight emerges from observing that performance degrades substantially when soft pseudo-labels replace hard pseudo-labels in cross-domain scenarios due to poor calibration, despite the theoretical equivalence of perfectly calibrated soft pseudo-labels to hard pseudo-labels. Based on this finding, we propose DA-Cal, a dedicated cross-domain calibration framework that transforms target domain calibration into soft pseudo-label optimization. DA-Cal introduces a Meta Temperature Network to generate pixel-level calibration parameters and employs bi-level optimization to establish the relationship between soft pseudo-labels and UDA supervision, while utilizing complementary domain-mixing strategies to prevent overfitting and reduce domain discrepancies. Experiments demonstrate that DA-Cal seamlessly integrates with existing self-training frameworks across multiple UDA segmentation benchmarks, significantly improving target domain calibration while delivering performance gains without inference overhead. The code will be released.
• Abstract（参考訳）: 既存の教師なしドメイン適応(UDA)メソッドはセマンティックセグメンテーションにおけるターゲットドメインのパフォーマンスを大幅に向上させるが、ネットワークキャリブレーションの品質を無視することが多く、予測の信頼性と実際の正確性の間に不一致が生じる。 我々の重要な洞察は、完全校正されたソフト擬似ラベルとハード擬似ラベルとが理論的に等価であるにもかかわらず、キャリブレーションが不十分なクロスドメインシナリオにおいて、ソフト擬似ラベルがハード擬似ラベルを置き換えると、性能が著しく低下するということから生じる。 そこで本研究では,対象領域のキャリブレーションをソフトな擬似ラベル最適化に変換する専用クロスドメインキャリブレーションフレームワークであるDA-Calを提案する。 DA-Calは、ピクセルレベルのキャリブレーションパラメータを生成するメタ温度ネットワークを導入し、ソフトな擬似ラベルとUDA監督の関係を確立するためにバイレベル最適化を採用し、補完的なドメインミキシング戦略を活用して、オーバーフィッティングを防止し、ドメインの不一致を減らす。 実験によると、DA-Calは複数のUDAセグメンテーションベンチマークにまたがって既存のセルフトレーニングフレームワークとシームレスに統合され、ターゲットドメインのキャリブレーションが大幅に改善され、推論オーバーヘッドを伴わずにパフォーマンスが向上する。 コードはリリースされます。

関連論文リスト

• Gradient Rectification for Robust Calibration under Distribution Shift [28.962407770230882]
  ディープニューラルネットワークは、しばしば過信な予測を生成し、安全クリティカルなアプリケーションにおける信頼性を損なう。 対象とするドメイン情報にアクセスせずに動作する新しいキャリブレーションフレームワークを提案する。 本手法は, 配電時の校正性能を向上するとともに, 配電時の校正性能を向上する。
  論文  参考訳（メタデータ） (2025-08-27T12:28:26Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• Correlated Adversarial Joint Discrepancy Adaptation Network [6.942003070153651]
  本稿では,CAJNet (Coinlation Adversarial Joint Disrepancy Adapted Network) という新しいアプローチを提案する。 共同特徴を訓練することにより,両領域間の境界分布と条件分布を一致させることができる。 さらに,確率ベースのトップ$mathcalK$相関ラベル(mathcalK$-label)を導入する。
  論文  参考訳（メタデータ） (2021-05-18T19:52:08Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation [14.8840510432657]
  unsupervised domain adaptation (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に知識を転送することを目的としている。 既存の自己学習に基づくUDAアプローチでは、ターゲットデータに擬似ラベルを割り当て、それらを基底真理ラベルとして扱う。 ソースドメインに最適化されたモデルから生成された擬似ラベルは、必然的にドメインギャップによるノイズを含む。
  論文  参考訳（メタデータ） (2021-03-09T06:57:03Z)
• SENTRY: Selective Entropy Optimization via Committee Consistency for Unsupervised Domain Adaptation [14.086066389856173]
  ランダムな画像変換の委員会の下で,予測整合性に基づいて対象インスタンスの信頼性を判定するUDAアルゴリズムを提案する。 提案アルゴリズムは,予測エントロピーを選択的に最小化し,高い一貫性のあるターゲットインスタンスに対する信頼度を高めるとともに,予測エントロピーを最大化し,高い一貫性の低いインスタンスに対する信頼度を低減する。 擬似ラベルに基づく近似的クラスバランスと組み合わせることで,標準的なUDAベンチマークや,ラベル分布シフト下でのストレス-テスト適応を目的としたベンチマークから,27/31ドメインシフトの最先端よりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-12-21T16:24:50Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)

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。