GenGMM: セマンティックセグメンテーションのための一般化ガウス混合ベースドメイン適応モデル

[fulfulggg]

タイトル: GenGMM: セマンティックセグメンテーションのための一般化ガウス混合ベースドメイン適応モデル

リンク: https://arxiv.org/abs/2410.16485

概要:

ドメイン適応セマンティックセグメンテーションは、ラベル付けされたソースドメインで学習したモデルを用いて、ラベル付けされていないターゲットドメインに対して正確で高密度な予測を生成するタスクです。このタスクの教師なしドメイン適応の改善には多くの努力が払われてきましたが、多くのモデルは、ソースデータが完全に正確にラベル付けされ、ターゲットデータはラベル付けされていないという強い仮定に依存していることに注意することが重要です。しかし、現実の世界では、ソースドメインとターゲットドメインの両方で、部分的にラベル付けされたデータやノイズの多いラベル付けされたデータに遭遇することがよくあります。これは、一般化ドメイン適応（GDA）と呼ばれます。このような場合、両方のドメインからの弱いデータやラベル付けされていないデータを利用して、ドメイン間のギャップを縮小することで、効果的な適応を実現することを提案します。本稿では、一般化ガウス混合モデルに基づくドメイン適応モデル（GenGMM）を提案します。このモデルは、両方のドメインにおける潜在的なデータ分布を活用して、ノイズの多い弱いラベルや疑似ラベルを洗練します。実験により、提案手法の有効性を示します。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• domain-generalization
• image-segmentation
• semi-supervised-learning

[fulfulggg]

論文要約

論文要約: GenGMM: セマンティックセグメンテーションのための一般化ガウス混合ベースドメイン適応モデル

• 課題: 画像のセマンティックセグメンテーション（各ピクセルがどの物体に属するかを識別するタスク）において、学習したモデルを異なるデータセット（ドメイン）に適用する際、精度が低下することが課題。
• 従来手法の問題点: 従来のドメイン適応手法は、学習データは完璧に正しいという前提で設計されており、現実のデータに存在するノイズや誤ったラベルに対応できない。
• 提案手法: ノイズや誤ったラベルを含むデータにも対応可能な「GenGMM」という新たなドメイン適応モデルを提案。
  • GenGMMは、データの潜在的な分布をガウス混合モデルで表現し、ノイズや誤ったラベルの影響を軽減しながら、異なるドメイン間の差異を縮小する。
• 結果: 実験により、GenGMMは従来手法よりも高い精度でセマンティックセグメンテーションを実現することを確認。

一言でまとめると: GenGMMは、ノイズや誤ったラベルを含む現実のデータにも対応できる、より高精度なセマンティックセグメンテーションのためのドメイン適応モデル。