Nov, 2017

跨域自监督多任务特征学习：使用合成图像

PDF
TL;DR本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。
发现论文，激发创造
  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • 自监督学习领域不变特征用于深度估计

    本文提出一种自监督学习的新训练策略，通过图像转换网络实现在合成和真实领域之间的域不变表示学习，从而提高单张图像深度估计在现实世界中的泛化能力。实验结果表明，该方法在 KITTI 和 Make3D 数据集上均优于现有技术。

    Jun, 2021

  • 无监督领域自适应语义分割的多对抗训练正则化代理

    通过提出代理标签方法，使用多重对抗训练产生高质量标签，使得深度模型能够在目标域上进行带监督的训练，以解决语义分割过程中像素级别标注数量巨大，使其难以扩展。

    Jul, 2019

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 从合成数据中学习语义分割：一种几何引导的输入输出适应方法

    本研究利用合成数据中的几何信息，结合图像翻译网络和任务网络，通过对抗性训练同时进行深度估计和语义分割，有效地缩小域差距，实现了跨域语义分割的重大性能提高。

    Dec, 2018

  • 通过对抗训练进行无监督逆域自适应，用于合成医学图像

    提出了一种采用反向流的替代框架，其中采用对抗性训练使真实医学图像更像合成图像，并假设通过自我正则化可以保留临床相关特征。用这种方法解决了内窥镜深度估计这一困难任务，证明了这种领域自适应图像可以通过训练用合成图像构建的网络来准确地解释。

    Nov, 2017

  • 域整理：简化图像缓解合成 - 真实域间的转移并提高深度估计

    通过注意力模块，学习识别和去除真实图像中的困难部分，以提高合成数据训练的模型对真实图像的景深估计。

    Feb, 2020

  • 一个用于多域图像翻译和操作的统一的特征解缠器

    本研究提出了一种新型的深度学习框架，能够从多个领域的数据中学习到不变的表示，通过对抗性训练和利用特定领域信息的能力，实现持续的跨领域图像转换和操纵，并相应地产生期望的输出图像。此外，所得到的特征表示在无监督域自适应方面表现出卓越的性能，也证明了该模型学习描绘跨领域数据的分离特征的有效性。

    Sep, 2018

  • 任务和领域跨界学习

    本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

    Apr, 2019

  • 跨领域的自监督学习

    本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法，通过学习对象形状，掌握空间定向和部件相关性等概念，证明该算法在域通用和适应性方面具有较高的竞争力。

    Jul, 2020