論文の概要: Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization

• arxiv url: http://arxiv.org/abs/2606.31373v1
• Date: Tue, 30 Jun 2026 09:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.150474
• Title: Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization
• Title（参考訳）: デュアルストリームバイレベルサイクル最適化によるドメイン適応オブジェクト検出
• Authors: Yannan Chen, Wenqiang Wang, Ruoyu Chen, Jiancheng Wang, Mingbo Yang, Yaowei Wang, Wei Wang, Xiaochun Cao,
• Abstract要約: サイクル自己学習(CST)は、標準自己学習フレームワークの共有分類器の仮定を破る。 CSTは、ターゲットの擬似ラベルでトレーニングすることで、ラベルなしのターゲットデータを悪用する。
• 参考スコア（独自算出の注目度）: 64.83565413108789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cycle self-training (CST) breaks the shared classifier assumption of the standard self-training framework, which is effective for unsupervised domain adaptation and exploits unlabeled target data by training with target pseudo-labels. CST introduces a target classifier and employs an inner-outer loop updating strategy, addressing the issue of unreliable pseudo-labels and enabling pseudo-labels to generalize across domains. Despite its success in image classification, extending CST to object detection faces three main challenges. First, the upper bound of CST in object detection is constrained by three types of unreliable pseudo-labels, such as classification error alone, localization error alone, and their combination. Second, since object detection involves detecting multiple target objects, directly applying CST leads to training insta bility. Third, a wider numerical range of regression coordinates leads to exploding losses. To this end, we apply CST to both classification and regression and propose the Dual-Stream Bilevel-Cycle Optimization framework. Specifically, we construct CST upon Mean Teacher to prevent training instability and use extra normalization to map the regression bounding box into a standardized space, effectively addressing exploding losses. Also, we provide a theoretical derivation of the regression bound. Extensive experiments across four cross domain standard scenarios demonstrate that our framework achieves considerable results.
• Abstract（参考訳）: 循環自己学習(CST)は、教師なしドメイン適応に有効な標準自己学習フレームワークの共有分類器仮定を破り、対象の擬似ラベルを用いたトレーニングによりラベルなしターゲットデータを利用する。 CSTはターゲット分類器を導入し、信頼できない擬似ラベルの問題に対処し、ドメイン間での擬似ラベルの一般化を可能にする内外ループ更新戦略を採用している。 画像分類の成功にもかかわらず、CSTをオブジェクト検出に拡張することは3つの大きな課題に直面している。 まず、オブジェクト検出におけるCSTの上限は、3種類の信頼できない擬似ラベルによって制約される。 第二に、オブジェクト検出は複数の対象物を検出するため、直接CSTを適用することによって、トレーニングのインストール能力が向上する。 第三に、より広い数値的な回帰座標は、爆発的な損失をもたらす。 この目的のために、分類と回帰の両方にCSTを適用し、Dual-Stream Bilevel-Cycle Optimizationフレームワークを提案する。 具体的には、平均教師にCSTを構築し、トレーニング不安定を防止し、余分な正規化を用いて回帰境界ボックスを標準化された空間にマッピングし、爆発的な損失に効果的に対処する。 また、回帰境界の理論的導出を提供する。 4つのクロスドメイン標準シナリオにわたる大規模な実験は、我々のフレームワークがかなりの結果をもたらすことを示す。

関連論文リスト

• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• 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)
• 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)
• ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection [78.71826145162092]
  本稿では,ST3D++という名前の自己学習手法を提案する。 擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。 モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
  論文  参考訳（メタデータ） (2021-08-15T07:49:06Z)
• Cycle Self-Training for Domain Adaptation [85.14659717421533]
  Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。 CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。 実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-05T10:04:25Z)

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。