CVPRMar, 2018

通过渐进式域自适应进行跨领域弱监督物体检测

PDF
TL;DR本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。
cross-domain weakly supervised object detectioninstance-level annotationsprogressive domain adaptation techniquemean average precisiontarget domain
发现论文，激发创造
  • 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

  • 一次性无监督跨域检测

    本篇论文介绍一种多任务架构的目标检测算法，利用一次性适应的方法，自动适应不同的域，无需访问大量的目标数据，其中利用自监督任务和伪标签方法加强了适应，对比最新的跨域检测方法，研究结果显示该方法有优势，是 one-shot 情况下的最佳方法。

    May, 2020

  • 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

  • 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

  • 利用渐进式知识迁移提升弱监督目标检测

    本文提出了一种有效的知识转移框架，利用一个在类别上与目标领域不重叠的外部全注释源数据集，迭代地转移源域知识，通过一个单类通用探测器学习目标域的探测器，并从中挖掘每次迭代中目标域探测器挖掘的伪实例，有效提高了单类通用探测器，从而更全面地利用和利用源数据集的知识，该方法在弱监督目标检测领域内实现了先前未知的最佳效果。

    Jul, 2020

  • 基于网络知识迁移的零注释目标检测

    本文介绍了一种基于互联网图像的目标检测方法，使用了多实例、多标签和迁移学习的框架，并通过实例级别的对抗性域适应网络和同时转移的机制转移知识，实现了在基准数据集上比基线方法显著提升的弱监督检测器。

    Nov, 2017

  • 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

  • 基于粗到细特征自适应的跨领域目标检测

    本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

    Mar, 2020

  • 利用自我训练实现目标检测器对新领域的自动适应

    本文提出了一种基于未标注视频数据的无监督目标检测器自适应方法，该方法利用现有检测器的高置信度检测结果和跟踪器获取时序提示来自动获取目标数据标签，然后通过修改知识蒸馏损失函数和软标签的分配方法进行重新训练，实验结果表明该方法恰当地利用了追踪获取的困难样本，使用蒸馏损失函数的软标签优于硬标签，是一种简单且不依赖超参数的有效无监督目标检测器自适应方法。

    Apr, 2019

  • 基于深度特征的多实例学习用于极端领域变化下的弱监督目标检测

    研究使用多实例方法和预先训练的深度特征进行弱监督物体检测，不需要微调或跨域学习，在非摄影数据集上表现优秀，包括绘画、水彩画、剪贴画和漫画等。

    Aug, 2020