Mixture Domain Adaptation to Improve Semantic Segmentation in Real-World Surveillance

要約

実世界の監視で遭遇するさまざまなタスクは、重要な決定を下す必要があることに基づいて、(ベイジアン推論や機械学習などによって) 事後を決定することによって対処できます。
ただし、監視ドメイン (取得デバイス、動作条件など) は不明なことが多く、シーン固有の最適化の可能性が妨げられます。
この論文では、確率論的フレームワークを定義し、事後分布の教師なし多領域から無限領域への適応のためのアルゴリズムの正式な証明を提示します。
提案されたアルゴリズムは、ターゲット ドメインに関連付けられた確率測度がソース ドメインの確率測度の凸結合である場合に適用できます。
これは、ソース モデルと、オフラインでトレーニングされたドメイン弁別モデルを利用して、ターゲット ドメインにオンザフライで適応される事後分布を計算します。
最後に、現実世界の監視におけるセマンティック セグメンテーションのタスクに対するアルゴリズムの有効性を示します。
コードは https://github.com/rvandeghen/MDA で公開されています。

要約(オリジナル)

Various tasks encountered in real-world surveillance can be addressed by determining posteriors (e.g. by Bayesian inference or machine learning), based on which critical decisions must be taken. However, the surveillance domain (acquisition device, operating conditions, etc.) is often unknown, which prevents any possibility of scene-specific optimization. In this paper, we define a probabilistic framework and present a formal proof of an algorithm for the unsupervised many-to-infinity domain adaptation of posteriors. Our proposed algorithm is applicable when the probability measure associated with the target domain is a convex combination of the probability measures of the source domains. It makes use of source models and a domain discriminator model trained off-line to compute posteriors adapted on the fly to the target domain. Finally, we show the effectiveness of our algorithm for the task of semantic segmentation in real-world surveillance. The code is publicly available at https://github.com/rvandeghen/MDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google