SRDA: 通过扫描,推理和域自适应生成实例分割注释
本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架,通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异,在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。
Apr, 2022
该论文提出了一种名为 ePointDA 的新型端到端框架,用于将基于 LiDAR 的点云分割从合成数据转移到真实场景中,过程中不需要真实世界统计数据,通过自监督丢失噪声渲染,统计不变和空间自适应特征对齐,可在像素级和特征级上解决域漂移问题。
Sep, 2020
本文提出了一种多分辨率训练方法 HRDA,结合小的高分辨率裁剪和大的低分辨率裁剪,以及学习到的比例关注,以保留精细的分割细节和捕获远程、域鲁棒性的上下文信息,从而显著提高了语义分割的 UDA 性能,并使其在 GTA 到 Cityscapes 和 Synthia 到 Cityscapes 的 mIoU 上分别达到了 73.8 和 65.8。
Apr, 2022
我们提出了一种利用迁移学习技术来有效纠正稀疏标注引入的采样选择错误的新方法,该方法从稀疏和明确的标注中得出不同组织类别的高质量分类器,并采用域自适应技术来有效纠正引入的稀疏采样选择错误。与完全标记数据的训练相比,我们将标记和训练时间分别缩短了 70 倍和 180 倍以上,而又不损失准确性,这极大地简化了在各种场景和成像设置中建立和不断扩展大型标注数据库的过程,因此是朝着组织分类中基于学习的方法实际应用性迈出的重要一步。
Mar, 2024
本研究提出了一种基于图像与点云的混合特征增强方法,通过利用 SAM 模型在三维领域中的普适性能力,解决了未标注域适应中的领域差异问题,并在三维分割任务中取得了最新的研究进展。
Oct, 2023
提出了一种半监督领域自适应方法,名为 “SSDA3D”,包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization,很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题,不依赖于大量标注数据,在只有 10%目标数据标注的情况下,可以超过 100%目标标签的完全监督模型。
Dec, 2022
本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响,并在实验中测试表明,在 Potsdam 领域(源领域)到 Vaihingen 领域(目标领域)的转变中,该方法将整体准确性从 35% 提高到 52%。
May, 2019
本文介绍了一种处理多源数据对抗问题的方法:StandardGAN,该方法在单一目标域的基础上,标准化每个源和目标域数据的分布,实验表明,StandardGAN 生成的标准化数据使分类器生成更好的语义分割。
Apr, 2020
该工作提出了一种统一的深度感知无监督域自适应框架,通过在源领域中利用密集深度的多种补充方式,最大限度地利用了这种特权信息来训练 UDA 模型,从而提高了目标领域上训练的语义分割模型的性能,并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。
Apr, 2019
SAI3D 是一种新颖的零样本三维实例分割方法,通过整合来自 Segment Anything Model (SAM) 的几何先验和语义线索,将三维场景划分为几何原语,然后逐步合并为与多视角 SAM 掩码一致的三维实例分割。通过具有动态阈值机制的分层区域增长算法,进一步提升细粒度三维场景解析的鲁棒性。在 Scan-Net 和更具挑战性的 ScanNet++ 数据集上进行的实证评估表明,我们的方法优于现有的开放词汇基准线,并在 ScanNet++ 上的类别不可知分割中甚至超过了全监督方法。
Dec, 2023