Mar, 2017

通过对抗性域自适应解决户外机器人外观变化问题

PDF
TL;DR天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。
machine learningoutdoor roboticsunsupervised domain adaptationadversarial techniquesautonomous driving
发现论文，激发创造
  • 增量式对抗性领域自适应技术在不断变化环境中的应用

    通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

    Dec, 2017

  • DA-RAW：适应真实世界恶劣天气条件下的域自适应目标检测

    通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

    Sep, 2023

  • 对抗训练用于恶劣条件下的度量稳健定位：基于外观迁移的方法

    本文提出了一种通过学习可逆的生成器将图像从一种条件转换到另一种的方法，以此改善在外观强烈变化的情况下的视觉场所识别和度量本地化效果，并基于 SURF 检测器和密集描述符映射的新损失进行特征匹配。数据测试表明，这种方法能够在减少映射运行次数的同时，在多种环境下显著提高地点识别和定位的效果。

    Mar, 2018

  • 学习适应语义分割的结构化输出空间

    本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

    Feb, 2018

  • 自动驾驶中雾天和雨天强化目标检测的域适应

    这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

    Jul, 2023

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 利用多种特性和对抗性矛盾实现域自适应分割

    该研究提出了一种基于 APAT 和自我培训的条件引导适应框架，能够有效地推理出目标域中的多模态特征，从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明，该方法（DCAA）在目标域的天气变化等复杂情景下，相比基线和现有方法有着显著的优越之处。

    Dec, 2020

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 领域自适应目标检测的强健学习方法

    本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

    Apr, 2019

  • 带有领域知识保留的多种恶劣天气条件下的语义分割

    我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

    Jan, 2024