Open yusukekyokawa opened 4 years ago
http://openaccess.thecvf.com/content_CVPR_2020/papers/Kim_Learning_Texture_Invariant_Representation_for_Domain_Adaptation_of_Semantic_Segmentation_CVPR_2020_paper.pdf
Myeongjin Kim Hyeran Byun Yonsei University
CVPR2020
セマンティックセグメンテーションのためのピクセルレベルのラベルのアノテーションは手間がかかるため、合成データを活用することは魅力的な解決策である。しかし,合成領域と実領域の間にはドメインギャップがあり,合成データを用いて学習したモデルを実データに一般化することは困難である.本論文では、2つの領域の根本的な違いをテクスチャと考え、対象領域のテクスチャに適応する手法を提案する。まず,スタイル転送アルゴリズムを用いて合成画像のテクスチャを多様化する.生成された画像のテクスチャを多様化することで、セグメンテーションモデルが特定の(合成された)テクスチャにオーバーフィットすることを防ぐ。次に、自己学習を用いてモデルを微調整し、ターゲットテクスチャの直接監視を得る。我々の結果は最先端の性能を達成し、大規模な実験を用いて、スタイル化されたデータセット上で訓練されたモデルの特性を分析する。
書誌情報
論文リンク
http://openaccess.thecvf.com/content_CVPR_2020/papers/Kim_Learning_Texture_Invariant_Representation_for_Domain_Adaptation_of_Semantic_Segmentation_CVPR_2020_paper.pdf
著者/所属機関
Myeongjin Kim Hyeran Byun Yonsei University
conf/journal
CVPR2020
year
一言でいうと
セマンティックセグメンテーションのためのピクセルレベルのラベルのアノテーションは手間がかかるため、合成データを活用することは魅力的な解決策である。しかし,合成領域と実領域の間にはドメインギャップがあり,合成データを用いて学習したモデルを実データに一般化することは困難である.本論文では、2つの領域の根本的な違いをテクスチャと考え、対象領域のテクスチャに適応する手法を提案する。まず,スタイル転送アルゴリズムを用いて合成画像のテクスチャを多様化する.生成された画像のテクスチャを多様化することで、セグメンテーションモデルが特定の(合成された)テクスチャにオーバーフィットすることを防ぐ。次に、自己学習を用いてモデルを微調整し、ターゲットテクスチャの直接監視を得る。我々の結果は最先端の性能を達成し、大規模な実験を用いて、スタイル化されたデータセット上で訓練されたモデルの特性を分析する。
新規性
手法
結果
コメント