論文の概要: CGSA: Class-Guided Slot-Aware Adaptation for Source-Free Object Detection

• arxiv url: http://arxiv.org/abs/2602.22621v1
• Date: Thu, 26 Feb 2026 04:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.532612
• Title: CGSA: Class-Guided Slot-Aware Adaptation for Source-Free Object Detection
• Title（参考訳）: CGSA:ソースフリーオブジェクト検出のためのクラスガイドスロット認識適応
• Authors: Boyang Dai, Zeng Fan, Zihao Qi, Meng Lou, Yizhou Yu,
• Abstract要約: Source-Free Domain Adaptive Object Detection (SF-DAOD)は、ラベル付きソースドメインでトレーニングされた検出器を、ソースデータを保持することなく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。 我々は,SF-DAODにOCL(Object-Centric Learning)を導入した最初のフレームワークであるCGSAを紹介する。
• 参考スコア（独自算出の注目度）: 36.24005774070429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-Free Domain Adaptive Object Detection (SF-DAOD) aims to adapt a detector trained on a labeled source domain to an unlabeled target domain without retaining any source data. Despite recent progress, most popular approaches focus on tuning pseudo-label thresholds or refining the teacher-student framework, while overlooking object-level structural cues within cross-domain data. In this work, we present CGSA, the first framework that brings Object-Centric Learning (OCL) into SF-DAOD by integrating slot-aware adaptation into the DETR-based detector. Specifically, our approach integrates a Hierarchical Slot Awareness (HSA) module into the detector to progressively disentangle images into slot representations that act as visual priors. These slots are then guided toward class semantics via a Class-Guided Slot Contrast (CGSC) module, maintaining semantic consistency and prompting domain-invariant adaptation. Extensive experiments on multiple cross-domain datasets demonstrate that our approach outperforms previous SF-DAOD methods, with theoretical derivations and experimental analysis further demonstrating the effectiveness of the proposed components and the framework, thereby indicating the promise of object-centric design in privacy-sensitive adaptation scenarios. Code is released at https://github.com/Michael-McQueen/CGSA.
• Abstract（参考訳）: Source-Free Domain Adaptive Object Detection (SF-DAOD)は、ラベル付きソースドメインでトレーニングされた検出器を、ソースデータを保持することなく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。 近年の進歩にもかかわらず、最も一般的なアプローチは、擬似ラベルしきい値のチューニングや教師と学生のフレームワークの洗練に焦点を合わせ、クロスドメインデータ内のオブジェクトレベルの構造的手がかりを見落としている。 本稿では,SF-DAODにOCL(Object-Centric Learning)を導入した最初のフレームワークであるCGSAについて述べる。 具体的には、階層スロット認識(HSA)モジュールを検出器に統合し、画像が視覚的に先行するスロット表現に徐々に切り離されるようにする。 これらのスロットは、クラスガイドスロットコントラスト(CGSC)モジュールを介してクラスセマンティクスへ誘導され、セマンティクスの一貫性を維持し、ドメイン不変な適応を促す。 複数のクロスドメインデータセットに対する大規模な実験により、我々のアプローチは従来のSF-DAOD法よりも優れており、理論的導出と実験分析により、提案したコンポーネントとフレームワークの有効性をさらに実証し、プライバシーに配慮した適応シナリオにおけるオブジェクト指向設計の約束を示す。 コードはhttps://github.com/Michael-McQueen/CGSAで公開されている。

関連論文リスト

• Style-Adaptive Detection Transformer for Single-Source Domain Generalized Object Detection [7.768332621617199]
  単一ソースドメインの一般化は、未確認のターゲットドメインによく一般化するソースドメインデータのみを使用して検出器を開発することを目的としている。 既存の手法は主にCNNベースで、データ拡張と機能アライメントを組み合わせることで堅牢性を向上させる。 単一ソース領域の一般化に適したDTRベースの検出器であるStyle-Adaptive Detection TRansformer (SA-DETR)を提案する。
  論文  参考訳（メタデータ） (2025-04-29T07:38:37Z)
• Differential Alignment for Domain Adaptive Object Detection [13.664876152118165]
  ドメイン適応オブジェクト検出(DAOD)は、ラベル付きソースドメインデータに基づいてトレーニングされたオブジェクト検出器をアノテーションなしでターゲットドメインに一般化することを目的としている。 既存のアプローチでは、ソースとターゲットドメイン全体の分布を調整するために、逆学習を採用している。 本稿では,その欠点を克服するための特徴アライメント戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-17T11:52:10Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• 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)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)

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。