Apr, 2018

DCAN: 双通道对齐网络 用于无监督场景自适应

PDF
TL;DR通过使用统计学的方法，构建了一个称为 DCAN 的轻型语义分割神经网络模型，为了降低深度学习模型在像素和特征级别上的模态差异，在生成器和分割网络上都实现了通道特征对齐，这就使得模型可以通过预测新颖真实数据的语义分割图，从而使得神经网络训练效果得到了极大提升。
发现论文，激发创造
  • 全卷积适应网络用于语义分割

    本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

    Apr, 2018

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 广义域条件自适应网络

    本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

    Mar, 2021

  • 使用生成相关对齐网络进行合成到真实场景的迁移

    本研究提出了一种名为深度生成对齐网络（DGCAN）的深度生成模型，采用新颖的模型域对齐算法通过形状保持损失和低层次统计匹配损失来最小化合成图像和真实图像之间的深度特征空间差异，实验表明，将这些新生成的数据用于训练现成的分类器可以显著提高性能。

    Jan, 2017

  • 无监督领域适应的对比适应网络

    本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

    Jan, 2019

  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

    Apr, 2023

  • 异构领域自适应的同时语义对齐网络

    本文提出了一种同时利用语义相似性和目标伪标签的异构域适应模型（SSAN），通过隐式语义相关损失和几何相似性参与的伪标签精化过程，在不同数据类型的异构域上实现有效的特征对齐和类别中心对齐，Excel 在各种异构域适应任务中。

    Aug, 2020

  • DCAN: 深度轮廓感知网络用于准确的腺体分割

    本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑战赛中胜出，超过了其他 13 个竞争对手的方法。

    Apr, 2016

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • 通过双重上下文聚合改进临时动作检测的 DCAN

    本研究提出了名为 Dual Context Aggregation Network（DCAN）的端到端提案生成方法，以在边界级别和提案级别上汇总上下文以生成高质量的动作提案，从而提高了时间动作检测的性能。

    Dec, 2021