Sep, 2018

探究领域变化：基于类别的对抗学习在语义一致性领域适应中的应用

HTML
PDF
TL;DR本文提出了一种基于分类级别对抗网络和协同训练方法的非监督域自适应语义分割模型，通过加强对局部语义一致性的控制来优化全局对齐策略，取得了与当前领先技术水平相当的分割精度。实验任务包括GTA5->Cityscapes和SYNTHIA -> Cityscapes两种不同的领域自适应任务。
发现论文，激发创造
  • 通过判别式补丁表示实现结构输出的域适应

    该研究提出了一个领域自适应方法，以学习具有辨别性的特征表示，并使用对抗学习来将目标领域中的特征表示推向源领域中的分布，从而实现了对未标注目标领域的预测。

    Jan, 2019

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • 一种以对抗扰动为导向的领域自适应语义分割方法

    该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

    Dec, 2019

  • 物品和事物的差异对待：一种简单的无监督领域自适应方法用于语义分割

    本研究考虑了在语义分割的无监督域自适应中，如何减轻源域（合成数据）和目标域（真实数据）之间的领域偏移问题。通过不同策略的语义级别对齐使得杂物类别通常在不同领域的图像中具有相似的外观，而物品（即对象实例）则具有更大的差异，从而提高了对齐的质量。在两个无监督域自适应任务中，我们的方法展示了新的准确度最高的分割结果，并且最小化源和目标域之间的最相似的杂物和实例特征有助于缓解无法稳定地减小分布差异的问题。

    Mar, 2020

  • 减轻语义级别转移：一种用于语义分割的半监督域自适应方法

    本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

    Apr, 2020

  • 上下文关系一致的领域自适应语义分割

    本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理GTA5到Cityscapes和SYNTHIA到Cityscapes等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

    Jul, 2020

  • 类别重要性：一种细粒度对抗方法用于跨域语义分割

    该研究提出了一种基于精细级别对抗学习的策略，用于解决目标域内的类别级别特征对齐问题，从而提高语义分割模型在实际场景下的性能。

    Jul, 2020

  • 高维度非对抗源导向扰动下的一致性正则化——用于分割中的无监督领域自适应

    本文提出了一种名为BiSIDA的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA在两种常用的合成-真实领域自适应基准测试中取得了最新的最优结果。

    Sep, 2020

  • MLAN：用于域自适应语义分割的多层对抗网络

    本文提出了一种新型的多级对抗网络 (MLAN)，针对源域和目标域之间的全局图像水平和局部图像区域之间的不一致性，通过区域级对抗性学习 (RL-AL) 和共正则化对抗性学习 (CR-AL)，以及在输入空间和输出空间上的多级一致性映射来实现领域自适应。大量实验表明，MLAN 在多个数据集上一致地优于现有技术。

    Mar, 2021

  • 语义分割的对抗性半监督域自适应：标记目标样本的新角色

    该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

    Dec, 2023