Core Concepts
CoDAは、シーンレベルの指示を提供するチェーン型ドメイン適応戦略と、画像レベルの指示を提供する重大度認識視覚プロンプトチューニングメカニズムを提案し、悪天候環境下での意味的セグメンテーションの性能を大幅に向上させる。
Abstract
CoDAは、悪天候環境下での意味的セグメンテーションの課題に取り組むための新しい手法を提案している。
まず、CoDAはチェーン型ドメイン適応(CoD)戦略を導入し、全ての悪天候シーンを易しいシーンと難しいシーンに分類する。モデルは、まず易しいシーンの画像から学習し、その後徐々に難しいシーンの画像に適応していく。これにより、モデルは安定した基盤を築くことができる。
次に、CoDAは重大度認識視覚プロンプトチューニング(SAVPT)メカニズムを提供する。SAVPTは、画像の重大度を測定し、低重大度と高重大度の2つのブランチに分けてプロンプトとアダプターを学習させる。これにより、モデルは重大度に基づいた特徴を学習し、シーン固有の特徴を無視することができる。
CoDAの実験結果は、従来手法と比べて大幅な性能向上を示している。特に、Foggy Drivingとfoggy Zurichベンチマークでそれぞれ4.6%と10.3%のmIoU向上を達成している。
Stats
悪天候シーンの中でも特に難しい夜間シーンでは、現状のSOTAモデルでも正確にスカイを認識することが困難である。
従来の直接的なドメイン適応手法では、ソースドメインからターゲットドメインへのカオスな隔たりを克服することができない。
Quotes
"Well begun is half done"
"The essential of CoT is a series of intermediate reasoning steps."