論文の概要: TC-ADA: One-Shot Active Domain Adaptation for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2609.33432v1
• Date: Sun, 27 Sep 2026 10:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:55:14.300483
• Title: TC-ADA: One-Shot Active Domain Adaptation for Semantic Segmentation
• Title（参考訳）: TC-ADA:セマンティックセグメンテーションのためのワンショットアクティブドメイン適応
• Abstract要約: アクティブドメイン適応(ADA)は、ターゲットドメインの選ばれた部分のみにアノテートすることで、ラベル効率の変換を求める。 我々は,全像獲得と目標校正適応の合同設計として,ターゲット校正型アクティブドメイン適応(TC-ADA)を開発した。
• 参考スコア（独自算出の注目度）: 21.952768218787202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manual dense annotation remains a major obstacle to deploying semantic segmentation models in new driving environments. Active domain adaptation (ADA) seeks label-efficient transfer by annotating only a selected portion of the target domain. Existing ADA methods commonly implement this process through multiple rounds of acquisition, annotation, and retraining. We study a practical one-shot image-level setting that selects and densely annotates a fixed target subset in a single round, followed by uninterrupted adaptation. Within this setting, we develop Target-Calibrated Active Domain Adaptation (TC-ADA) as a joint design of complete-image acquisition and target-calibrated adaptation. Stage~1 uses visual representations from a vision foundation model (VFM) together with semantic predictions from a fixed unsupervised domain adaptation model to select representative and informative target images without target annotations. Stage~2 jointly uses labeled source data, labeled target data, and the remaining unlabeled target data, while calibrating source and target supervision under limited target labels. Extensive experiments across five synthetic-to-real and real-to-real driving transfers show consistent improvements over representative ADA baselines. With only 23 to 46 labeled target images on four transfers and 140 on Mapillary, TC-ADA stays within 1.9 mean intersection over union (mIoU) points of target-only full supervision. Code will be available at https://github.com/ywher/TC-ADA.
• Abstract（参考訳）: 手動の高密度アノテーションは、新しい運転環境においてセマンティックセグメンテーションモデルをデプロイする上で、依然として大きな障害である。 アクティブドメイン適応(ADA)は、ターゲットドメインの選ばれた部分のみにアノテートすることで、ラベル効率の変換を求める。 既存のADAメソッドは、取得、アノテーション、再トレーニングの複数のラウンドを通じて、このプロセスを一般的に実装します。 本研究では, 固定目標サブセットを1ラウンドで選択し, 高密度に注釈付けし, 未中断適応を施した, 実用的なワンショット画像レベル設定について検討する。 そこで本研究では,全像獲得と目標校正適応の合同設計として,ターゲット校正型アクティブドメイン適応(TC-ADA)を開発した。 Stage~1では、視覚基盤モデル(VFM)からの視覚表現と、固定された教師なしドメイン適応モデルからのセマンティック予測を使用して、ターゲットアノテーションなしで代表的および情報的ターゲット画像を選択する。 Stage~2は、ラベル付きソースデータ、ラベル付きターゲットデータ、および残りのラベルなしターゲットデータを共同で使用し、限られたターゲットラベルの下でソースとターゲットの監督を調整する。 5つの合成-実-実-実-実-実-実-実間移動の広範な実験は、代表的ADAベースラインよりも一貫した改善を示す。 4つの転送に23から46のラベルが付けられたターゲットイメージと140のMapillaryでしか表示されていないため、TC-ADAはターゲットのみの完全な監視のmIoU(union over union)ポイントの平均1.9の範囲内に留まっている。 コードはhttps://github.com/ywher/TC-ADAで入手できる。

関連論文リスト

• SS-ADA: A Semi-Supervised Active Domain Adaptation Framework for Semantic Segmentation [25.929173344653158]
  セマンティックセグメンテーションのための半教師付きアクティブドメイン適応(SS-ADA)フレームワークを提案する。 SS-ADAは、アクティブラーニングを半教師付きセマンティックセグメンテーションに統合し、教師付き学習の精度を達成する。 本研究では,合成ドメイン適応設定と実ドメイン適応設定について広範な実験を行った。
  論文  参考訳（メタデータ） (2024-06-17T13:40:42Z)
• D3GU: Multi-Target Active Domain Adaptation via Enhancing Domain Alignment [58.23851910855917]
  D3GUという画像分類のためのマルチターゲットアクティブドメイン適応(MT-ADA)フレームワークを提案する。 D3GUはトレーニング中に、ソースターゲットとターゲットターゲットドメインアライメントの両方を達成するために、De Domain Discrimination (D3)を適用している。 Office31、OfficeHome、DomainNetの3つのベンチマークデータセットに対する実験は、MT-ADAにおけるD3GUの一貫して優れた性能を検証するために行われた。
  論文  参考訳（メタデータ） (2024-01-10T13:45:51Z)
• Detect, Augment, Compose, and Adapt: Four Steps for Unsupervised Domain Adaptation in Object Detection [7.064953237013352]
  教師なし領域適応(Unsupervised domain adapt、UDA)は、アノテートされたデータなしで、ソース学習された検出器を対象領域に適応させる際に、オブジェクト検出において重要な役割を果たす。 自己超越性を活用し,ソースとターゲットデータを同時に訓練する,新しい,効果的な4段階のUDA手法を提案する。 提案手法は最先端性能を実現し,平均精度(mAP)を2%以上向上させる。
  論文  参考訳（メタデータ） (2023-08-29T14:48:29Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• ADAS: A Simple Active-and-Adaptive Baseline for Cross-Domain 3D Semantic Segmentation [38.66509154973051]
  本研究では,よく訓練された3次元セグメンテーションモデルの弱いクロスドメイン一般化能力を高めるために,アクティブ・アンド・アダプティブ(ADAS)ベースラインを提案する。 ADASは、有効適応のために、ソースドメインとターゲットドメインの両方から最大不変サブセットを選択するアクティブサンプリング操作を実行する。 1) 対象ドメインからのすべてのサンプルがラベル付けされていないことを意味するUnsupervised Domain Adaptation (UDA)、2) Unsupervised Few-shot Domain Adaptation (UFDA)、つまり、ラベル付けされていないサンプルがラベル付けされていないターゲットドメインでのみ利用可能であることを意味する。
  論文  参考訳（メタデータ） (2022-12-20T16:17:40Z)
• Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-08T13:20:09Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)

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。