論文の概要: LASA: Language-and-Source-Anchored Alignment for Domain Generalized Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2608.08805v1
- Date: Sun, 09 Aug 2026 16:43:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.956585
- Title: LASA: Language-and-Source-Anchored Alignment for Domain Generalized Semantic Segmentation
- Title（参考訳）: LASA:ドメイン汎用セマンティックセマンティックセグメンテーションのための言語とソースのアライメント
- Abstract要約: ドメイン一般化セマンティック(DGSS)は、ラベル付きソースドメインから見えないターゲットドメインへの知識の一般化に焦点を当てている。
スタイルのランダム化は、その粗い粒度の性質のために、基礎となる特徴多様体を歪ませる。
特徴正規化は、その厳密な設計のため、非ネイティブでドメインに敏感なセマンティックディテールを抑制する。
- 参考スコア（独自算出の注目度）: 43.56251979741165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain Generalization Semantic Segmentation (DGSS) focuses on generalizing knowledge from labeled source domains to unseen target domains where data is unavailable during the training phase. While conventional methods utilize style randomization or feature normalization to mitigate domain shifts, they often impair feature integrity. Specifically, style randomization distorts the underlying feature manifold due to its coarse-grained nature, while feature normalization suppresses discriminative, domain-sensitive semantic details owing to its rigid design. To address these limitations, we propose the Language-and-Source-Anchored Alignment (LASA) framework, which comprises three synergistic components: Text-and-Source-Guided Style Transfer (TSGST), Domain-Aware Query Adapter (DAQA), and Domain-Aware Decoder Optimizer (DADO). Concretely, the TSGST module addresses manifold distortion by utilizing source features as structural anchors and vision-language model (VLM) priors as fine-grained guidance. To restore suppressed discriminative and domain-sensitive details, the DAQA module recalibrates object queries via categorical guidance and domain-aware signatures, while the DADO module aligns the resulting query distributions with a shared classifier to ensure consistent categorical responses across domains. Extensive experiments on challenging benchmarks demonstrate that our method significantly outperforms state-of-the-art approaches.
- Abstract（参考訳）: ドメインの一般化 セマンティックセグメンテーション(DGSS)は、ラベル付きソースドメインからトレーニングフェーズ中にデータが利用できない未確認のターゲットドメインへの知識の一般化に焦点を当てている。
従来の手法では、スタイルのランダム化や機能正規化を利用してドメインシフトを緩和するが、しばしば機能完全性を損なう。
特に、スタイルのランダム化は、その粗い粒度の性質により、基礎となる特徴多様体を歪ませ、一方、特徴正規化は、その剛性設計のため、識別的でドメインに敏感なセマンティックディテールを抑圧する。
これらの制約に対処するため,テキスト・アンド・ソース・ガイドド・スタイル・トランスファー(TSGST),ドメイン・アウェア・クエリ・アダプタ(DAQA),ドメイン・アウェア・デコーダ・オプティマイザ(DADO)の3つの相乗的コンポーネントからなるLanguage-and-Source-Anchored Alignment(LASA)フレームワークを提案する。
具体的には、TSGSTモジュールは、構造的アンカーや視覚言語モデル(VLM)といったソース特性を詳細なガイダンスとして利用することで、多様体の歪みに対処する。
DAQAモジュールは、制限された識別とドメイン依存の詳細を復元するために、カテゴリ的ガイダンスとドメイン認識シグネチャを介してオブジェクトクエリを再分類し、DADOモジュールは、結果のクエリ分布を共有分類器と整列して、ドメイン間の一貫したカテゴリ的応答を保証する。
試行錯誤実験により,本手法が最先端の手法を著しく上回っていることが示された。
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) - LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。
大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。
本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-31T15:43:21Z) - Exploring Semantic Consistency and Style Diversity for Domain Generalized Semantic Segmentation [4.850207292777464]
ドメイン一般化セマンティック(Domain Generalized Semantic)は、未知のターゲットドメイン間のセマンティックセグメンテーションの一般化を強化することを目的としている。
本稿では,セマンティック一貫性予測とスタイル多様性の一般化のためのSCSDを紹介する。
SCSDは既存の最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-12-16T18:20:06Z) - DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。
提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。
複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
論文 参考訳（メタデータ） (2024-05-20T03:48:45Z) - Instance-Aware Domain Generalization for Face Anti-Spoofing [42.36157210235893]
Face Anti-Spoofing (FAS) は、最近、目に見えないシナリオの一般化を改善するために研究されている。
従来の手法では、各ドメインの分布を整列してドメイン不変表現を学習するためにドメインラベルに依存していた。
ドメインラベルを必要とせずに、インスタンスレベルで機能を整列するDG FASの新しい視点を提案する。
論文 参考訳（メタデータ） (2023-04-12T06:41:16Z) - 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) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - Structured Latent Embeddings for Recognizing Unseen Classes in Unseen
Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。
挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文 参考訳（メタデータ） (2021-07-12T17:57:46Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - 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)
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。