論文の概要: JMT-YOLO: Multi-task Domain Adaptation via Segmentation-Guided Consistency Learning

• arxiv url: http://arxiv.org/abs/2610.12901v1
• Date: Fri, 09 Oct 2026 02:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.360542
• Title: JMT-YOLO: Multi-task Domain Adaptation via Segmentation-Guided Consistency Learning
• Title（参考訳）: JMT-YOLO:Segmentation-Guided Consistency Learningによるマルチタスクドメイン適応
• Abstract要約: ドメイン適応オブジェクト検出(DAOD)は、トレーニング(ソース)とテスト(ターゲット)データセット間の分散シフトによるパフォーマンス低下の低減を目的とする。 我々は,新しいマルチタスク学習フレームワークであるJMT-YOLOを提案することで,これらの課題を克服する。 ターゲットドメインにおける前景と背景のセマンティック境界のモデリングを強化するためのセマンティックセマンティックセマンティクスタスクとマスキング機構を導入する。
• 参考スコア（独自算出の注目度）: 4.448237113244404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive object detection (DAOD) aims to reduce performance degradation due to distribution shifts between training (source) and testing (target) datasets. However, owing to insufficient modeling of fine-grained features and limited instance-level alignment, existing approaches become less effective under complex environmental conditions, such as extreme weather conditions and object occlusion. We overcome these challenges by proposing JMT-YOLO, a novel joint multi-task learning framework for DAOD. JMT-YOLO is based on the Mean Teacher architecture. It introduces an auxiliary semantic segmentation task and a masking mechanism to enhance the modeling of foreground-background semantic boundaries in the target domain. Specifically, fine-grained feature degradation is reduced by introducing a multiscale context-aware segmentation head equipped with a dense connection structure to effectively capture local and global contextual features. A mask-consistency loss is formulated by applying random masking operations to target images, thereby guiding the network to learn structural context and improving instance-level feature alignment. Extensive experiments on three benchmark domain adaptation tasks (Pascal VOC to Clipart1k, Cityscapes to Foggy Cityscapes, and KITTI to Cityscapes) demonstrate that JMT-YOLO achieves detection performances of 46.9%, 57.3%, and 61.0%, respectively. These results demonstrate superior performance over existing state-of-the-art and baseline methods, thereby validating the effectiveness and generalization of JMT-YOLO.
• Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は、トレーニング(ソース)とテスト(ターゲット)データセット間の分散シフトによるパフォーマンス低下の低減を目的とする。 しかし、細粒度の特徴のモデリングが不十分で、インスタンスレベルのアライメントが限られているため、極度の気象条件や物体の閉塞といった複雑な環境条件下では、既存のアプローチは効果が低くなる。 DAODのための新しいマルチタスク学習フレームワークであるJMT-YOLOを提案することで,これらの課題を克服する。 JMT-YOLOは平均教師アーキテクチャに基づいている。 ターゲットドメインにおける前景と背景のセマンティック境界のモデリングを強化するためのセマンティックセマンティックセマンティクスタスクとマスキング機構を導入する。 具体的には、密接な接続構造を備えたマルチスケールのコンテキスト認識セグメンテーションヘッドを導入して、局所的およびグローバルなコンテキスト的特徴を効果的に捉えることにより、きめ細かな特徴劣化を低減する。 ターゲット画像にランダムマスキング操作を適用し、ネットワークに構造的コンテキストの学習を誘導し、インスタンスレベルの特徴アライメントを改善することにより、マスク一貫性損失を定式化する。 3つのベンチマークドメイン適応タスク(Pascal VOC to Clipart1k、Cityscapes to Foggy Cityscapes、KITTI to Cityscapes)の広範な実験により、JMT-YOLOがそれぞれ46.9%、57.3%、61.0%の検出性能を達成したことが示されている。 これらの結果は、既存の最先端およびベースライン法よりも優れた性能を示し、JMT-YOLOの有効性と一般化を検証した。

関連論文リスト

• PAGen: Phase-guided Amplitude Generation for Domain-adaptive Object Detection [15.55359477953804]
  教師なしドメイン適応(UDA)は、さまざまな環境にまたがるニューラルネットワークの展開を大いに促進する。 本稿では、周波数領域における画像スタイルの適応を学習し、ソース領域とターゲット領域との差を小さくする、シンプルで効果的なUDA手法を提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:22:37Z)
• Performance Optimization of YOLO-FEDER FusionNet for Robust Drone Detection in Visually Complex Environments [0.981328290471248]
  視覚的に複雑な環境でのドローン検出は、背景のぼやけ、小さな物体スケール、カモフラージュ効果のために困難である。 この研究は、汎用オブジェクト検出とカモフラージュオブジェクト検出技術を統合する、YOLO-FEDER FusionNetの強化されたイテレーションを示す。
  論文  参考訳（メタデータ） (2025-09-17T14:21:00Z)
• Masked Feature Modeling Enhances Adaptive Segmentation [9.279607578922683]
  Masked Feature Modeling (MFM) は機能マスキングと再構成を行う新しい補助タスクである。 MFMは学習目標をメインセグメンテーションタスクと整合させ、DeepLabやDAFormerといった標準アーキテクチャとの互換性を確保する。 効率的な再構築を容易にするために,推論時に共同で訓練されるが破棄される軽量補助モジュールであるRebuilderを導入する。
  論文  参考訳（メタデータ） (2025-09-17T08:16:05Z)
• From Controlled Scenarios to Real-World: Cross-Domain Degradation Pattern Matching for All-in-One Image Restoration [2.997052569698842]
  All-in-One Image Restoration (AiOIR) は、統一されたパラメータを持つ単一モデルを用いて、複数の劣化パターンによる画像復元を実現することを目的としている。 UDAIRフレームワークは、ソースドメインからターゲットドメインへの学習知識を活用することにより、AiOIRを効果的に実現するために提案されている。 10のオープンソースデータセットの実験結果は、UDAIRがAiOIRタスクのための新しい最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-28T12:22:00Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• SSDA-YOLO: Semi-supervised Domain Adaptive YOLO for Cross-Domain Object Detection [27.02391566687007]
  ドメイン適応オブジェクト検出(DAD)は、ドメイン間の不一致に起因する転送性能の劣化を軽減することを目的としている。 クロスドメイン検出性能を向上させるために,新しい半教師付きドメイン適応型YOLO(SSDA-YOLO)を提案する。
  論文  参考訳（メタデータ） (2022-11-04T01:50:13Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。