本文提出了一种针对机器人操作中暴露的变化性的视觉基准测试方法,它包括一个新的针对机器人拼装任务的数据集,一个在线适应算法,以及对这些算法的基准测试,这将有助于评估机器人视觉识别算法的泛化能力与鲁棒性。
Jul, 2018
本文提出一种基于多任务架构的视觉定位方法,通过将几何和语义信息融合到多尺度的嵌入表示中,使用有效的多尺度特征鉴别器进行对抗性训练,从虚拟数据集到现实世界数据集的领域适应,以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证,结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。
Oct, 2020
提出了一种新颖的领域适应方法,将在大型易于获得的源数据集 (例如,合成图像) 上学习的视觉表示适应到目标实际世界领域,不需要昂贵的手工数据注释。作者使用弱对齐图像,结合分布对齐的方式来解决实际和模拟环境差异的问题,并在机器人操作任务上对其进行了评估。
Nov, 2015
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。
Mar, 2017
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
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021
本文綜合評估和比較了三種先進的 ConvNets 在導航機器人的特定挑戰中的實用性,並優化了現有 (局部敏感哈希) 和新的 (語義搜索空間劃分) 優化技術,實現了基於 ConvNets 實時地點識別性能的提升,證實了語義地點分類的網絡也在 (特定) 地點識別方面表現更好。
Jan, 2015
本文介绍了一种基于自我监督学习的全新方法,在日常机器人导航中检测到的目标变化可作为额外先验,以进一步提高未来变化检测任务的效果。该方法在地面小物体变化检测等实际应用场景中得到了验证。
Jun, 2023
本研究提供了关于计算机视觉领域中,基于深度学习的深度域适应方法的全面概述,分类不同的深度域适应情景,总结了深度域适应方法,重点分析比较了各种情况下的最先进方法,并着重强调了当前方法的潜在缺陷和未来几个方向。
Feb, 2018
本文研究了视觉 Transformer 在领域适应和领域泛化方案中的应用,包括特征级、实例级、模型级以及混合方法的适应,以及多领域学习、元学习、正则化技术和数据增强策略的领域泛化方法,总结了各种与分布变化相关的策略,并提供了有价值的洞见和综合表格,展示了视觉 Transformer 在处理分布变化方面的多样性和实用性。
Apr, 2024