ECCVDec, 2018

无监督域自适应多通道语义分割

PDF
TL;DR该论文介绍了两种方法来利用多通道输入和无监督域自适应算法来提高机器人对真实图片的语义分割结果，其中一种是基于深度图像的融合方法，另一种是基于深度图像的多任务学习方法，并创建了相应的基准测试。
semantic segmentationrgbd imagesmultichannel inputsunsupervised domain adaptationrobotics
发现论文，激发创造
  • 基于深度感知的语义分割域自适应

    该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

    Apr, 2019

  • 将自监督单目深度引入无监督域自适应中进行语义分割

    通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

    Oct, 2021

  • 语义 RGB-D 图像合成

    提出了一种用于 RGB-D 语义图像合成的多模态数据生成器，并通过鉴别器来确保标签图和生成图像之间的语义一致性及真实图像和生成图像之间的感知相似性，实验证明该方法在 RGB-D 语义分割方案中表现出了显著优势，以及通过在训练过程中混合真实图像和生成图像可以显著提高方案的准确性。

    Aug, 2023

  • 几何无监督域自适应语义分割

    该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。

    Mar, 2021

  • 双模态融合：分别利用 RGB 和深度进行未见目标实例分割

    本篇论文提出了一种使用合成 RGB 和深度图像数据实现表面外目标实例分割的新方法，该方法能够学习非真实感 RGB-D 数据，并在机器人抓取任务中表现出色。

    Jul, 2019

  • 通过跨模态旋转进行 RGB-D 物体识别的无监督领域适应

    本文提出了一种新的 RGB-D DA 方法，使用卷积神经网络通过解决预文本任务来减少合成与真实数据领域之间的差异，对 RGB-D 数据的实例识别和对象分类进行了评估，并展示了利用跨模态关系进行 RGB-D DA 的优势。

    Apr, 2020

  • 使用 RGB-D 相机的多视角深度学习实现一致的语义映射

    本文提出一种从多个 RGB-D 视图中进行对象类语义分割的新方法，使用深度学习训练神经网络进行预测，同时借助于 RGB-D 的 SLAM 获取摄像机轨迹，实现多视图一致性训练和测试。实验结果表明，与单视图基准线相比，深度特征池化和多视角融合可以在 NYUDv2 数据集上实现单视图语义分割和多视图语义融合的最新性能。

    Mar, 2017

  • 跨域多模态 RGB-D 场景识别

    本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

    Mar, 2021

  • DDF: 一种新颖的双域图像融合策略用于遥感图像语义分割的无监督域自适应

    该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

    Mar, 2024

  • 无源域适应方法在 RGB-D 语义分割中的应用：基于 Vision Transformers

    研究基于深度传感器的多模态框架和基于视觉变换器的源自由语义分割的深度感知方法，通过混合特征和深度信息以及深度基础熵最小化方法，能够提高分割效果。

    May, 2023