論文の概要: ICM: Intra-class Mixing for Domain Adaptation in Adverse Weather

• arxiv url: http://arxiv.org/abs/2609.27533v1
• Date: Wed, 23 Sep 2026 08:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.943798
• Title: ICM: Intra-class Mixing for Domain Adaptation in Adverse Weather
• Title（参考訳）: ICM:逆気象下でのドメイン適応のためのクラス内混合
• Abstract要約: クラス内混合一貫性(ICM)フレームワークは、クラス内混合画像とオリジナルの画像との予測一貫性を強制する。 ICMは同じイメージとセマンティッククラス内でミキシングを行い、一貫性の規則化のための現実的なセマンティックレイアウトを保存する。 Cityscapes $rightarrow$ ACDCベンチマークで、我々の手法は75.7% mIoUを達成する。
• 参考スコア（独自算出の注目度）: 5.139543414844629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) for semantic segmentation remains challenging under adverse weather conditions because severe appearance changes enlarge the domain gap and degrade the reliability of pseudo labels in the target domain. To address this problem, we propose an Intra-Class Mixing Consistency (ICM) framework that enforces prediction consistency between an intra-class mixed image and its original counterpart. Unlike previous mixing-based consistency methods that combine regions across different images or domains and may introduce unrealistic semantic inconsistencies, ICM performs mixing within the same image and semantic class, preserving realistic semantic layout for consistency regularization. With ICM, we establish a new state-of-the-art performance for clear-to-adverse-weather unsupervised domain adaptation (UDA) in semantic segmentation. On the Cityscapes $\rightarrow$ ACDC benchmark, our method achieves 75.7\% mIoU, outperforming the previous state of the art by +1.9 pp, demonstrating its effectiveness in mitigating class confusion under challenging environmental conditions. The code is provided in the supplementary material.
• Abstract（参考訳）: セマンティックセグメンテーションのための教師なしドメイン適応(UDA)は、厳しい外観変化がドメインギャップを大きくし、ターゲットドメインにおける擬似ラベルの信頼性を低下させるため、悪天候下では依然として困難である。 この問題に対処するために,クラス内混合画像と元の画像との予測整合性を実現するICM(Intra-class Mixing Consistency)フレームワークを提案する。 異なる画像やドメインにまたがる領域を組み合わせて非現実的なセマンティック不整合を導入する従来の混合ベースの一貫性手法とは異なり、ICMは同じ画像とセマンティッククラス内で混合を行い、一貫性の規則化のために現実的なセマンティックレイアウトを保持する。 ICMにより、セマンティックセグメンテーションにおけるクリア・ツー・リバース・ウェザー・アン教師なしドメイン適応(UDA)のための新しい最先端性能を確立する。 Cityscapes $\rightarrow$ ACDCベンチマークでは75.7\% mIoUを達成し、従来の最先端を+1.9 ppで上回り、難易度の高い環境条件下でのクラス混乱を緩和する効果を示した。 コードは補充材料に提供される。

関連論文リスト

• Revisiting Cross-Attention Mechanisms: Leveraging Beneficial Noise for Domain-Adaptive Learning [19.18410733239502]
  Unsupervised Domain Adaptation (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送を試みる。 既存のクロスアテンションベースのトランスフォーマーは、ドメイン間で機能を整列させることができるが、大きな外観とスケールのバリエーションの下でコンテンツセマンティクスを保存するのに苦労している。 本稿では、制御された摂動を注入することで、相互注意を規則化する有益雑音の概念を導入する。
  論文  参考訳（メタデータ） (2026-03-18T08:28:14Z)
• OMUDA: Omni-level Masking for Unsupervised Domain Adaptation in Semantic Segmentation [29.520497497017015]
  OMUDA(Omni-level Masking for Unsupervised Domain Adaptation)は,異なる表現レベルにまたがって階層的なマスキング戦略を導入する統一フレームワークである。 OMUDAは,(1)背景を背景からグローバルな文脈と局所的な詳細を適応的に区別するコンテキスト意識マスキング(CAM)戦略,(2)事前訓練されたモデルからの知識伝達による堅牢で一貫した特徴学習を強化する特徴蒸留マスキング(FDM)戦略,(3)クラスデカップリングマスキング(CDM)戦略を,クラスワイド不確実性を明示的にモデル化することにより,ノイズのある擬似ラベルの影響を緩和する。
  論文  参考訳（メタデータ） (2025-12-13T12:01:23Z)
• Language-Guided Instance-Aware Domain-Adaptive Panoptic Segmentation [44.501770535446624]
  汎視的ドメイン適応の鍵となる課題は、ラベル付きソースとラベルなしターゲットドメインの間のドメインギャップを減らすことである。 我々は、新しいクロスドメイン混合戦略IMixによるインスタンスレベル適応の導入に重点を置いている。 LIDAPSと呼ばれる2つのメカニズムを組み込んだエンド・ツー・エンド・エンド・モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-04T20:42:49Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Context-Aware Mixup for Domain Adaptive Semantic Segmentation [52.1935168534351]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインのモデルを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。 ドメイン適応型セマンティックセグメンテーションのためのエンド・ツー・エンドコンテキスト・アウェア・ミックスアップ(CAMix)を提案する。 実験結果から,提案手法は最先端の手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-08-08T03:00:22Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)

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。