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
本文提出了一种基于鲁棒学习思想的目标检测框架,通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据,从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证,将本文提出的方法与现有方法进行了比较,得出了它的显著提升。
Apr, 2019
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
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
利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡,从而在各种适应场景中超越现有的最先进方法。
Nov, 2023
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
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
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
本文提出了一种基于领域自适应的目标检测方法,使用风格迁移和伪标签方法,使检测器在不同图像样式下具有鲁棒性,并显著提升了性能。
Nov, 2019
本文提出基于 D-adapt 的跨域目标检测方法,通过对对抗性适应性和检测器训练的分离来消除前景和背景特征的混淆,并通过引入边界框适配器来填补物体检测中回归域适应的空白, 在四项跨领域目标检测任务中取得了最先进的结果,并在特别是 Clipart 1k 和 Comic 2k 这两个基准数据集上相对提高了 17%和 21%。
Oct, 2021