语义聚类用于鲁棒细节场景识别
本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题,通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。
Sep, 2017
提出了一种可进行场景文字图像语义挖掘、增强细粒度图像分类表示的端到端可训练网络,其通过三种模态:视觉特征提取、文本语义提取和相关背景知识相结合,利用 KnowBert 检索相关知识来进行语义表示,并在 Con-Text 和 Drink Bottle 数据集上实验,证明了该方法的有效性,MAP 分别比现有文献最高提升了 3.72% 和 5.39%。
Mar, 2022
本文提出了一种基于聚类的领域自适应方法,通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征,经过广泛的实验,证明了该方法在面部识别任务方面具有先进性能。
May, 2022
提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法,旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。
Oct, 2021
研究域常规化问题及其解决方法,通过使用基于梯度的元训练和元测试过程,引入了两种补充损失来明确地规范特征空间的语义结构,从而取得了两个常见对象识别基准测试的最新效果。
Oct, 2019
本文中,我们提出了一个统一的多粒度对齐的对象检测框架,以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图,首先开发了全尺度门控融合模块来聚合实例的判别表示,从而实现了强大的多尺度目标检测。与此同时,我们提出了多粒度鉴别器,以识别样本(即像素、实例和类别)不同粒度来自哪个领域。在不同的背骨骼架上,我们进行了广泛的实验,证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
Mar, 2022
本文提出了一种新的粗到细的语义分割架构的学习任务,以应对不同数据集和任务的领域变化,并设计了一种新的方法,使用最大平方损失来对齐源和目标领域,引入了知识蒸馏约束来传递网络能力,以及设计了粗细权重初始化规则。在实验中表明该方法优于主要竞争对手。
Jan, 2022
本文提出了一种新颖的域泛化框架,通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力,从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明,该方法在多个基准细分数据集上都取得了最新的前沿成果。
Mar, 2020
该研究提出了一种基于语义的跨领域泛化基准(SemanticDG),并使用这个基准探索了在材料、视角等不同领域转移时的影响,通过提出一种上下文感知的视觉转换器,改进了现有领域泛化算法,实现了 18% 以上的性能提升,最终成功解决了领域泛化任务存在的挑战。
Jun, 2022