Dec, 2018

SPLAT: 基于语义的像素级自适应转换用于检测

PDF
TL;DR本文提出了一种基于语义像素级别自适应变换 (SPLAT) 的对象探测器领域自适应方法，实现了跨域图像对的高效生成和训练，并在像素级别上根据稠密标签训练特征变换网络。实验表明，与现有方法相比，该方法在对象探测器领域自适应方面取得了更好的性能。
domain adaptationobject detectionpixel-level transformationpseudo-labelcycle-free learning
发现论文，激发创造
  • 像素级循环关联：一种领域自适应语义分割的新视角

    本文提出了基于像素级循环关联的域自适应语义分割方法，该方法仅需要源域注释即可在目标域产生令人满意的像素级预测，并在两个标准基准测试中获得了优秀的性能表现，可望在未来的域适应语义分割研究中发挥一定的作用。

    Oct, 2020

  • 基于扩散的图像转换在领域自适应语义分割中的应用

    通过使用源领域标签作为图像翻译的明确指导，本文提出了一种创新的方法来解决领域自适应语义分割中的语义一致的局部细节保持问题，并利用了渐进翻译学习策略来实现在具有大差距领域中可靠工作的语义梯度引导方法。大量实验证明了我们方法相对于最先进的方法的优越性。

    Aug, 2023

  • 将像素和特征级域自适应联合用于野外识别

    通过深度域自适应进行知识迁移来提高性能，本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域，并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目标图像的意见。

    Feb, 2018

  • 面向域自适应语义分割的平衡类别像素自标记

    本文提出了一种基于像素分布和类别平衡的自我标记方法，可以改善目标域中的结构分割性能，尤其是在长尾类别上表现得更好。

    Mar, 2022

  • 基于时空像素级对比学习的无源域自适应视频语义分割

    本文研究了视频语义分割的源无域自适应（SFDA），提出了一种新的叫做 Spatio-Temporal Pixel-Level contrastive learning 的方法，该方法通过利用时空信息来解决源数据缺失的问题，并在视频语义分割基准测试中取得了最先进的性能。

    Mar, 2023

  • 面向语义分割领域自适应的语义感知图像翻译

    该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

    Sep, 2020

  • 标签驱动的域自适应语义分割重建

    该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

    Mar, 2020

  • 基于双路径学习的语义分割领域自适应

    本文提出了一种基于自我监督学习和图像翻译的双路径学习框架 (DPL)，以减轻在单域范式下 (源域或目标域) 导致的可视化不一致性，并通过双路图像翻译和双路自适应分割等创新技术推广两种方法在交互方式下相互促进，实验结果表明，DPL 模型比现有的基于自我监督学习和图像翻译的自适应分割方法具有更好的性能。

    Aug, 2021

  • 学习适应语义分割的结构化输出空间

    本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

    Feb, 2018

  • 基于梯度剥离的堆叠补充损失，实现精确的领域自适应目标检测

    本研究提出了一种基于梯度分离的堆叠互补损失（SCL）方法，该方法使用检测损失作为主要目标，并在不同的网络阶段引入几个辅助损失以学习更具判别性的表示，用于非监督领域自适应目标检测。实验表明该方法在多个数据集上表现优异，尤其是在 Cityscapes 到 FoggyCityscapes 的领域偏移条件下具有显著增强性能，与现有方法相比平均提高了 3.6%。

    Nov, 2019