Bridging the Sim2Real gap with CARE: Supervised Detection Adaptation with Conditional Alignment and Reweighting

要約

Sim2Real ドメイン適応 (DA) 研究は、ラベル付けされた合成ソース ドメインから、ラベル付けされていない、またはまばらにラベル付けされた実際のターゲット ドメインへの適応の制約設定に焦点を当てています。
ただし、リスクの高いアプリケーション (自動運転など) では、自動ラベル付けされた大量のソース データ (ドライビング シミュレーターなど) に加えて、人間がラベル付けした少量の実際のデータを使用するのが一般的です。
2D オブジェクト検出に適用される教師あり sim2real DA のこの設定を調べます。
Conditional Alignment and Reweighting (CARE) によるドメイン変換を提案します。これは、ターゲット ラベルを体系的に活用して、sim2real の外観とコンテンツのギャップを明示的に埋める新しいアルゴリズムです。
アルゴリズムの分析的正当性を提示し、標準的なベンチマークで競合する方法よりも優れていることを示します。

要約(オリジナル)

Sim2Real domain adaptation (DA) research focuses on the constrained setting of adapting from a labeled synthetic source domain to an unlabeled or sparsely labeled real target domain. However, for high-stakes applications (e.g. autonomous driving), it is common to have a modest amount of human-labeled real data in addition to plentiful auto-labeled source data (e.g. from a driving simulator). We study this setting of supervised sim2real DA applied to 2D object detection. We propose Domain Translation via Conditional Alignment and Reweighting (CARE) a novel algorithm that systematically exploits target labels to explicitly close the sim2real appearance and content gaps. We present an analytical justification of our algorithm and demonstrate strong gains over competing methods on standard benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google