计算机视觉任务的自监督域自适应
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法,通过学习对象形状,掌握空间定向和部件相关性等概念,证明该算法在域通用和适应性方面具有较高的竞争力。
Jul, 2020
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
本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述,强调提出的策略及其相关的缺点,为未来的研究提供有前途的问题,并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。
May, 2021
本研究提出一种实用且高精度的 “领域自适应(domain adaptation)语义分割” 方法,通过数据增强,确保保持图像转换后的语义预测的一致性,在轻量级自监督框架中训练并取得了显著的精度提高。
Apr, 2021
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
本文介绍了一种基于自监督深度估计来缩小源域和目标域之间领域漂移的方法,该方法旨在增强目标语义预测,并使用深度预测的差异来明确像素级适应难度,进而修正目标语义分割伪标签。在 SYNTHIA-to-Cityscapes 和 GTA-to-Cityscapes 基准任务上,我们分别实现了 55.0%和 56.6%的新的最先进性能。
Apr, 2021
在城市场景语义分割中,我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略,对全局标签分布和本地超像素标签分布进行先验知识的推断,并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上,我们的方法表现优于基线,并且进行了广泛的实验研究。
Dec, 2018