Dec, 2016

虚拟到现实世界的视觉感知：基于领域自适应的方法（以 DPM 为例）

PDF
TL;DR在本文中，作者探讨了利用虚拟现实场景自动标注物体，再通过有监督学习以及域适应解决物体检测问题的方法， 并以汽车检测为例，研究了来自虚拟世界和真实世界的数据在物体外观及逆迁移效果上的异同。
supervised learningvisual perceptionobject detectionvirtual worldsdomain adaptation
发现论文，激发创造
  • 使用虚拟图像进行物体检测器的训练和测试

    该研究在计算机视觉领域采用虚拟场景设计与自动图像生成的方法，建立了一个可用于多种计算机视觉任务的虚拟数据集 ParallelEye，并证明了将其与实际数据结合使用可以显著提高模型的性能。同时，该研究还通过测试虚拟数据集的方法发现了已训练模型的缺陷。

    Dec, 2017

  • VDM-DA: 虚拟域建模用于无源数据域自适应

    本文提出了一种无需源数据的无监督域自适应方法，称为虚拟域建模，旨在通过在预训练的源模型中基于模拟高斯混合模型（GMM）的特征空间生成虚拟域样本并设计有效的分布对齐方法，在不接触源领域数据的情况下通过训练深度神经网络实现来源与目标域之间的分布一致，成功实现了在二维图像和三维点云识别任务中的领域自适应，且取得了最优表现。

    Mar, 2021

  • 深度视觉域自适应

    本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

    Dec, 2020

  • 视觉领域适应挑战

    本篇论文介绍了 2017 年度视觉领域自适应（Visual Domain Adaptation, VisDA）数据集及竞赛，是一种用于跨视觉领域无监督领域自适应的大型测试平台，主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领域对象分类数据集，涵盖了 12 个类别，共 280,000 多张图像。同时，该数据集还包含超过 30K 图像的图像分割数据集。

    Oct, 2017

  • 利用弱配对约束调整深度视觉运动表示

    提出了一种新颖的领域适应方法，将在大型易于获得的源数据集 (例如，合成图像) 上学习的视觉表示适应到目标实际世界领域，不需要昂贵的手工数据注释。作者使用弱对齐图像，结合分布对齐的方式来解决实际和模拟环境差异的问题，并在机器人操作任务上对其进行了评估。

    Nov, 2015

  • 域适应能让物体识别对所有人都有效吗？

    研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题，发现标准适应方法不足以解决当前的挑战，需要专业的地理适应解决方案。

    Apr, 2022

  • 通过任务蒸馏进行领域适应

    使用图像识别数据集作为源域和目标域之间的桥梁，通过任务蒸馏框架，在不同仿真器之间成功地传输导航策略，并在传统领域适应基准上展现出有前途的结果。

    Aug, 2020

  • 目标检测无监督领域自适应：综述

    本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

    May, 2021

  • VisDA-2021 竞赛：通用领域自适应模型改进域外数据性能

    该研究介绍了 Visual Domain Adaptation 2021 竞赛，将机器学习方法的性能从同一领域扩展到处理不同域的数据。该竞赛挑战的是无监督域自适应问题，并关注在目标数据集中可能遇到的数据分布漂移、缺失和 / 或新类别的困难 “通用” 设置。通过与领先的域适应方法的比较，利用已建立的度量标准来评估性能。该竞赛有望鼓励进一步改进机器学习方法，以处理实际数据在许多部署场景下的问题。

    Jul, 2021

  • 深度视觉领域自适应：一份综述

    本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

    Feb, 2018