論文の概要: MC-PanDA++: Simpler, Stronger, and More Robust Domain-Adaptive Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2609.39681v1
• Date: Wed, 30 Sep 2026 13:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.823619
• Title: MC-PanDA++: Simpler, Stronger, and More Robust Domain-Adaptive Panoptic Segmentation
• Title（参考訳）: MC-PanDA++: よりシンプルで、より強く、よりロバストなドメイン適応型パノプティブセグメンテーション
• Abstract要約: 非教師なしドメイン適応(UDA)は、汎視的セグメンテーションにおけるアノテーションの負担を軽減する。 UDAの手法は、画素単位のサブ最適セグメンテーションアーキテクチャに基づいて構築された教師/学生の一貫性学習に依存している。 MC-PanDA++は、自己監督型ビジョンエンコーダを導入することで、これらの制限に対処する。
• 参考スコア（独自算出の注目度）: 26.54512809680948
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised domain adaptation (UDA) reduces the annotation burden in panoptic segmentation by leveraging a cost-effectively labeled source domain (e.g., synthetic) and an unlabeled target domain to bridge the distribution gap. Existing panoptic UDA methods rely on teacher-student consistency learning built upon suboptimal per-pixel segmentation architectures. In contrast, state-of-the-art mask transformers are rarely adopted due to their pronounced vulnerability to confirmation bias in consistency learning, where erroneous teacher predictions are reinforced during training. Our earlier approach, MC-PanDA, mitigates this issue through fine-grained confidence estimation, which suppresses gradients from unreliable masks while sampling informative yet reliable locations for loss computation. However, this method entails a complex multi-stage training and requires careful hyperparameter tuning. This work presents MC-PanDA++, which addresses these limitations by introducing: (i) self-supervised vision encoders that provide a stronger and more robust initialization, further reducing the reliance on human annotations, (ii) per-class, self-adapting mask-wide loss scaling that stabilizes training and enables the usage of a single set of hyperparameters across domains, and (iii) a single-stage training pipeline that decreases overall conceptual complexity. Together, these improvements result in a conceptually simpler, better-performing, and more robust method for domain-adaptive panoptics. Source code: https://github.com/martinovicivan/MC-PanDA
• Abstract（参考訳）: 非教師付きドメイン適応(UDA)は、コスト効率の良いラベル付きソースドメイン(例えば、合成)とラベルなしターゲットドメインを活用して、パン光学セグメンテーションにおけるアノテーションの負担を軽減し、分散ギャップを埋める。 既存のパノプティカルUDA法は、画素単位のサブ最適セグメンテーションアーキテクチャに基づいて構築された教師/学生の一貫性学習に依存している。 対照的に、最先端のマスクトランスフォーマーは、トレーニング中に誤った教師予測が強化される一貫性学習におけるバイアスの確認に対する明らかな脆弱性のため、採用されることは稀である。 従来の手法であるMC-PanDAは、信頼性の低いマスクからの勾配を抑えつつ、情報的かつ信頼性の高いロス計算の場所を抽出する、きめ細かな信頼度推定によってこの問題を緩和する。 しかし、この手法は複雑な多段階訓練を必要とし、注意深いハイパーパラメータチューニングを必要とする。 この作業では、MC-PanDA++を紹介します。 一 より強く、より堅牢な初期化を提供する自己監督型視覚エンコーダで、さらに人間のアノテーションへの依存を減らすこと。 (ii) 訓練を安定させ、ドメインにまたがる1組のハイパーパラメータの使用を可能にする、クラスごとの自己適応型マスクワイド・ロススケーリング (iii) 全体的な概念的複雑性を減少させるシングルステージのトレーニングパイプライン。 これらの改良により、概念的にシンプルで、より良い性能、より堅牢なドメイン適応型汎光学法が実現される。 ソースコード:https://github.com/martinovicivan/MC-PanDA

関連論文リスト

• Multi-Prompt Progressive Alignment for Multi-Source Unsupervised Domain Adaptation [73.40696661117408]
  未ラベルの下流タスクにCLIPを適用するためのプログレッシブアライメント戦略を提案する。 私たちはアプローチをMP2Aと名付け、ImageCLEF、Office-Home、そして最も難しいDomainNetという3つの人気のあるUDAベンチマークでテストします。 実験によると、MP2Aは最新のCLIPベースのMS-UDAアプローチと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-31T09:42:42Z)
• 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)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)

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。