Mar, 2019

结构全知：通过领域间结构信息适应性增强语义分割

PDF
TL;DR本文提出了一种基于结构内容的无监督领域自适应语义分割方法，通过 Domain Invariant Structure Extraction (DISE) 框架实现跨领域图像转换和标签转移，大量实验证明该方法在无标注数据情况下具有更高的分割性能。
unsupervised domain adaptationsemantic segmentationdomain invariant structure extractionimage-translationlabel transfer
发现论文，激发创造
  • 语义图像分割：二十年的研究

    本调查总结了涵盖二十年的 SiS 研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势，并强调了 DASiS 技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

    Feb, 2023

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 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

  • 基于低层边缘信息传输的语义分割无监督领域自适应

    本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

    Sep, 2021

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • 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

  • 自监督的无监督领域内语义分割自适应

    本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

    Apr, 2020

  • 无监督领域适应学习用于语义分割的内容迁移技术

    本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法，通过将合成数据的标注用于真实数据的分割，有效地解决了语义分割中的领域间差异和类别不平衡问题。

    Dec, 2020

  • 学习纹理不变的表示以进行语义分割的领域自适应

    本文提出了一种使用风格迁移算法来多样化合成图像纹理，然后通过自训练来微调模型以适应目标域纹理的领域自适应方法，以实现更好的语义分割性能。

    Mar, 2020

  • DecoupleNet: 基于解耦的网络用于领域自适应语义分割

    本文提出了 DecoupleNet 算法，通过 Self-Discrimination 技术和 Online Enhanced Self-Training 方法解决已有无监督域适应方法中存在的问题，这一算法在语义分割方面优于目前现有的方法。

    Jul, 2022