跨领域下存在离群值的图像匹配

ICCVSep, 2019

Cross Domain Image Matching in Presence of Outliers

Xin Liu, Seyran Khademi, Jan C. van Gemert

TL;DR本文提出了一种端到端的体系结构，可以在没有标签的情况下匹配跨域图像并通过异常检测处理非重叠域，该体系结构利用域自适应和三元组约束来训练一个网络，该网络能够学习域不变和身份可区分的表示，并使用熵损失和我们提出的加权 MK-MMD 迭代地检测异常值。在 Office [17] 数据集和我们提出的数据集 Shape、Pitts-CycleGAN 上的广泛实验证据表明，该方法在不同的基准测试中具有最先进的跨域图像匹配和异常检测性能。

Abstract

cross domain image matching between image collections from different source and target domains is challenging in times of deep learning due to i) limited variation of image conditions in a training set, ii) lack

cross domain image matching deep learning domain adaptation outlier detection entropy loss

发现论文，激发创造

无监督跨域图像检索的特征表示学习

本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

Jul, 2022

跨域对应实现小样本图像生成

利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

Apr, 2021

通过广义相似度度量和特征学习进行跨领域视觉匹配

本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

May, 2016

PixMatch: 通过像素一致性训练实现无监督领域自适应

本文提出了一种基于目标域一致性训练的无监督域自适应框架，通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性，并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。

May, 2021

跨域相似度学习在未知域中的人脸识别

本文介绍了一种名为 CDT 损失的跨域度量学习方法，该方法通过在网络中统一损失函数中的另一个培训领域中与三元样本相关的明确度量来提高面部识别在未知领域的性能。

Mar, 2021

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

多层域自适应学习用于跨领域检测

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

简单有效：基于图像统计匹配的领域自适应方法

本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

May, 2020

一次性无监督跨域检测

本篇论文介绍一种多任务架构的目标检测算法，利用一次性适应的方法，自动适应不同的域，无需访问大量的目标数据，其中利用自监督任务和伪标签方法加强了适应，对比最新的跨域检测方法，研究结果显示该方法有优势，是 one-shot 情况下的最佳方法。

May, 2020

通过渐进式域自适应进行跨领域弱监督物体检测

本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

Mar, 2018