画風変換に基づく教師なしドメイン適応に関する研究

基于风格变换的无监督领域适应研究

基本信息

  • 批准号：
    22KJ0007
  • 负责人：
    LI ZONGYAO
  • 金额：
    $ 1.41万
  • 依托单位：
    Hokkaido University
  • 依托单位国家：
    日本
  • 项目类别：
    Grant-in-Aid for JSPS Fellows
  • 财政年份：
    2023
  • 资助国家：
    日本
  • 起止时间：
    2023-03-08 至 2024-03-31
  • 项目状态：
    已结题

项目摘要

本年度は，昨年度に構築した画像の変換結果の多様性および画像内の物体毎の画風を考慮した画風変換手法を応用し，意味的領域分割における教師無しドメイン適応手法を構築した．昨年度に構築した画風変換手法による多様な変換結果を活用し，ドメイン内画風に不変な特徴表現を学習することで，ドメイン適応の頑健性を向上させた．具体的に，本年度の研究では，一枚のソースドメインまたはターゲットドメインの画像に対して画風変換を行い，ランダムでドメイン内の画風を二回サンプリングすることで，ドメイン内における2枚の画風の異なる変換結果を取得した．その上で，取得された変換画像を用いて学生モデルおよび教師モデルから構築されるself-ensembling手法によりドメイン適応を行った．本技術の実現によって，画像内の内容が同様でありながらドメイン内画風が異なる変換画像を用いることで，ドメイン内画風に不変な特徴表現を学習することが可能となり，研究計画における「教師無しのターゲットドメインにおける領域分割精度の向上」を実現した．上記の研究成果を踏まえて，本年度に実施した研究活動は，昨年度に立てた研究実施計画通り，順調に進展している．また，本年度の研究では，昨年度に立てた計画になかったsource-data-freeドメイン適応に関する研究を行った．具体的に，従来の教師無しドメイン適応手法はソースドメインデータを必要としている．しかしながら，実世界の応用では，個人情報保護などの観点からソースドメインデータの利用が制限されている場合が多く存在する．このような場合に対してドメイン適応を応用するために，ソースドメインデータの代わりにソースドメインの学習済みモデルを利用するsource-data-freeドメイン適応手法を構築した．以上のように，本来計画した研究成果の応用範囲を広げた計画以上の成果を挙げることができた．
は this year, yesterday's annual に build し た portrait の variations in results の multiple others お よ び portraits in の objects in their の style を consider し た style variations in technique を 応 し, means the field split に お け る teachers し ド メ イ ン optimum 応 gimmick を build し た. Yesterday annual に build し た style variations in technique に よ る others more な variations in results し を, ド メ イ ン inside painting style に - not な 徴 performance especially を learning す る こ と で, ド メ イ ン optimum 応 の operations, sexual を upward さ せ た. Specific に, this year's の research で は, a の ソ ー ス ド メ イ ン ま た は タ ー ゲ ッ ト ド メ イ ン の portrait に し seaborne て style variations in line を い, ラ ン ダ ム で ド メ イ ン の inside painting style を 2 back サ ン プ リ ン グ す る こ と で, ド メ イ ン within に お け る two の style の different な る variations in results を get し た. そ の で, obtain さ れ た variations in portrait を with い て students モ デ ル お よ び teachers モ デ ル か ら build さ れ る self - ensembling gimmick に よ り ド メ イ ン optimum 応 を line っ た. This technical の be presently に よ っ て, portrait が の content with others within で あ り な が ら ド メ イ ン painting style が within different な る variations in portrait を with い る こ と で, ド メ イ ン inside painting style に - not な 徴 performance especially を learning す る こ と が may と な り, The research project における "teachers without <s:1> タ ゲットドメ ゲットドメ ゲットドメ ゲットドメ <s:1> における における domain segmentation accuracy <s:1> upward" を results in た た た. Written の research tread を ま え て, this year's に be applied し た は research activities, and annual に yesterday made て た research be shi tong り project, shun adjustable に progress し て い る. ま た の research this year で は, yesterday's annual に made て た project に な か っ た source - data - free ド メ イ ン optimum 応 に masato す る を line っ た. Specific に 従 to の teachers し ド メ イ ン optimum 応 gimmick は ソ ー ス ド メ イ ン デ ー タ を necessary と し て い る. し か し な が ら, be の world 応 with で は, personal information protection な ど の 観 point か ら ソ ー ス ド メ イ ン デ ー タ の limitations using が さ れ て い る occasions が す more く る. こ の よ う な occasions に し seaborne て ド メ イ ン optimum 応 を 応 with す る た め に, ソ ー ス ド メ イ ン デ ー タ の generation わ り に ソ ー ス ド メ イ ン の learning 済 み モ デ ル を using す る source - data - free ド メ イ ン optimum 応 gimmick を build し た. The above ように ように, originally planned the た research results <s:1> 応 used fan 囲を general げた to plan the above を挙げる results を挙げる とがで た た た.

项目成果

期刊论文数量（0）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（0）
Learning intra-domain style-invariant representation for unsupervised domain adaptation of semantic segmentation
  • DOI：
    10.1016/j.patcog.2022.108911
  • 发表时间：
    2022-07
  • 期刊：
    Pattern Recognit.
  • 影响因子：
    0
  • 作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;M. Haseyama
  • 通讯作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;M. Haseyama
Semantic-aware Unpaired Image-to-image Translation for Urban Scene Images
城市场景图像的语义感知非配对图像到图像翻译
  • DOI：
  • 发表时间：
    2021
  • 期刊：
  • 影响因子：
    0
  • 作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;Miki Haseyama
  • 通讯作者：
    Miki Haseyama
Improving Model Adaptation for Semantic Segmentation by Learning Model-Invariant Features with Multiple Source-Domain Models
Union-Set Multi-source Model Adaptation for Semantic Segmentation
  • DOI：
    10.1007/978-3-031-19818-2_33
  • 发表时间：
    2022-12
  • 期刊：
  • 影响因子：
    0
  • 作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;M. Haseyama
  • 通讯作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;M. Haseyama
Divergence-guided feature alignment for cross-domain object detection
用于跨域目标检测的发散引导特征对齐
  • DOI：
  • 发表时间：
    2022
  • 期刊：
  • 影响因子：
    0
  • 作者：
    Zongyao Li;Ren Togo;Takahiro Ogawa;Miki Haseyama
  • 通讯作者：
    Miki Haseyama
{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi }}
  • 发表时间：
    {{ item.publish_year }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.author }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.author }}

数据更新时间：{{ patent.updateTime }}

LI ZONGYAO其他文献

LI ZONGYAO的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi }}
  • 发表时间：
    {{ item.publish_year }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
立即体验
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了