論文の概要: DAUPNet: Domain-Aware Uncertainty Modeling for Reliable Prototype Discrimination in Cross-Domain Few-Shot Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2607.16308v1
- Date: Tue, 14 Jul 2026 14:48:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.104881
- Title: DAUPNet: Domain-Aware Uncertainty Modeling for Reliable Prototype Discrimination in Cross-Domain Few-Shot Semantic Segmentation
- Title（参考訳）: DAUPNet:クロスドメインFew-Shotセマンティックセマンティックセグメンテーションにおける信頼性プロトタイプ識別のためのドメイン認識不確実性モデリング
- Abstract要約: DAUPNetは、不確実性を認識したプロトタイプ識別として、クロスドメインのプロトタイプマッチングを再構成する統合フレームワークである。
4つの標準ターゲットドメインでは、DAUPNetは平均mIoUの72.6%と76.7%をそれぞれ1ショットと5ショット設定で達成している。
- 参考スコア（独自算出の注目度）: 7.464196664164986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain few-shot semantic segmentation (CD-FSS) has predominantly been formulated as learning domain-invariant representations or improving support-query correspondence. Nevertheless, large domain shifts still make prototype matching unreliable: inconsistent hierarchical responses corrupt the support representation, deterministic prototypes cannot express boundary and appearance ambiguity, and treating prototypes with different reliability equally during optimization weakens foreground-background separation. We therefore propose DAUPNet, a unified framework that reformulates cross-domain prototype matching as uncertainty-aware prototype discrimination. DAUPNet first harmonizes hierarchical support-query features to provide stable evidence, then represents foreground and background prototypes probabilistically, and finally uses their estimated uncertainty to regulate contrastive optimization. On four standard target domains, DAUPNet achieves 72.6% and 76.7% average mIoU in the 1-shot and 5-shot settings, respectively, including substantial gains on the two medical domains. These results demonstrate that modeling prototype uncertainty and incorporating it into optimization provides a robust and interpretable approach to CD-FSS under severe domain shift. The code is available at https://github.com/madness-Lei/DAUPNet
- Abstract（参考訳）: クロスドメイン小ショットセマンティックセマンティックセグメンテーション(CD-FSS)は、主にドメイン不変表現の学習やサポートクエリ対応の改善として定式化されている。
一貫性のない階層的応答はサポート表現を台無しにし、決定論的プロトタイプは境界と外観の曖昧さを表現できず、最適化時に異なる信頼性でプロトタイプを扱い、フォアグラウンドとバックグラウンドの分離を弱める。
そこで我々はDAUPNetを提案する。DAUPNetはドメイン間のプロトタイプマッチングを不確実性を認識したプロトタイプ識別として再構成する統合フレームワークである。
DAUPNetはまず、階層的なサポートクエリー機能を調和させて安定した証拠を提供し、その後、前景と背景のプロトタイプを確率的に表現し、最後に、その推定不確実性を利用してコントラスト最適化を規制する。
4つの標準ターゲットドメインでは、DAUPNetは平均mIoUを72.6%、平均mIoUを76.7%、それぞれ1ショットと5ショットで達成している。
これらの結果は, プロトタイプの不確実性をモデル化し, それを最適化に取り入れることで, 厳しいドメインシフトの下でCD-FSSに対して頑健かつ解釈可能なアプローチを提供することを示した。
コードはhttps://github.com/madness-Lei/DAUPNetで公開されている。
関連論文リスト
- DOME: Learning Transferable Domain Variables from Sparse Supervision for Test-Time Adaptation [61.70497741321102]
テスト時適応は、未ラベルのストリーミングデータのみを使用して、テストドメインのシフトにモデルを合わせることを目的としている。
既存のほとんどの手法は、実世界の領域シフトの多次元的およびサンプル固有の性質を無視して、単一の大域領域分布を暗黙的に推論する。
本稿では,サンプルのドメインをゼロショットで明示的にモデル化するドメインエンコーダDOMEを提案する。
論文 参考訳（メタデータ） (2026-06-02T03:24:03Z) - Trust-Aware Joint Feature-Prediction Discrepancy for Robust Domain Adaptation [8.651700235973223]
我々は、特徴信号と予測信号の信頼性を通じて、ドメインの不一致をモデル化する原則付きフレームワークである、信頼を意識したドメイン適応を導入する。
標準ベンチマークの実験では、提案したフレームワークが常に優れた適応性能を達成できることが示されている。
論文 参考訳（メタデータ） (2026-05-24T15:05:34Z) - Prototype-Based Semantic Consistency Alignment for Domain Adaptive Retrieval [30.96614100772607]
Prototype-Based Semantic Consistency Alignment (PSCA) は、効果的なドメイン適応検索のための2段階のフレームワークである。
PSCAはクラスレベルのセマンティック接続を確立し、クラス内のサンプルを収集しながらクラス間のセパビリティを最大化する。
第2段階では、ドメイン固有の量子化関数が相互近似制約の下で再構成された特徴を処理し、ドメイン間で統一されたバイナリハッシュコードを生成する。
論文 参考訳（メタデータ） (2025-12-04T07:16:42Z) - Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation [108.0345347464393]
ソースフリードメイン適応(SFDA)は、トレーニング済みのソースモデルとラベルなしのターゲットデータのみを使用して、ドメインシフトに取り組む、困難なタスクである。
非世代SFDA法は、大きなドメイン不一致を伴う挑戦的なシナリオにおいて、信頼性の低い擬似ラベルに悩まされる。
拡散駆動プログレッシブターゲットマニピュレーションという,新しい世代ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-29T08:38:03Z) - Prototypical Progressive Alignment and Reweighting for Generalizable Semantic Segmentation [13.24093379138835]
一般化可能なセマンティックセグメンテーションは、目に見えないターゲットドメインでうまく機能することを目的としている。
クラスワイドプロトタイプは、安定性とセマンティック一貫性のために一般化の恩恵を受けるドメイン不変のキューとして機能する。
一般化可能なセマンティックセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-16T06:42:21Z) - Unsupervised Cross-Domain Image Retrieval via Prototypical Optimal Transport [24.141959555741696]
教師なしクロスドメイン画像検索は、ラベル付きデータに頼ることなく、さまざまな領域で同じカテゴリを共有する画像を検索することを目的としている。
従来のアプローチでは、UCIRの問題をドメイン内表現学習とドメイン間特徴アライメントという2つの異なるタスクに分解していた。
本稿では,UCIR に最適化された新規な Optimal Transport の定式化である ProtoOT を紹介する。
論文 参考訳（メタデータ） (2024-02-28T15:31:45Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳（メタデータ） (2022-12-07T14:12:34Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。
さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2020-03-28T17:46:55Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。