Nov, 2019

基于梯度剥离的堆叠补充损失，实现精确的领域自适应目标检测

PDF
TL;DR本研究提出了一种基于梯度分离的堆叠互补损失（SCL）方法，该方法使用检测损失作为主要目标，并在不同的网络阶段引入几个辅助损失以学习更具判别性的表示，用于非监督领域自适应目标检测。实验表明该方法在多个数据集上表现优异，尤其是在 Cityscapes 到 FoggyCityscapes 的领域偏移条件下具有显著增强性能，与现有方法相比平均提高了 3.6%。
unsupervised learningobject detectiondomain adaptationgradient detachcomplementary losses
发现论文，激发创造
  • DA-CIL: 领域自适应，增量式的三维物体检测

    本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

    Dec, 2022

  • 跨域目标检测的分离式适应

    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

  • 基于语义引导的特征对齐的目标检测半监督域泛化

    本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

    Sep, 2023

  • 多粒度对齐领域自适应物体检测

    本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。

    Mar, 2022

  • 多层次一致性无监督领域自适应三维检测

    利用 MLC-Net 框架中的教师 - 学生范式生成自适应和可靠的伪目标，实现深度学习在 3D 物体检测领域可快速交叉域匹配。

    Jul, 2021

  • 显著与伪装目标检测及其扩展的空间相干性损失

    通用物体检测是一项与类别无关的任务，它依赖于对象性的准确建模。我们提出了一种新的损失函数，即空间一致性损失（SCLoss），它利用相邻像素之间的相互响应来抑制或强调像素的单一响应，通过检测和强调边界逐渐学习困难区域。通过全面的实验证明，使用 SCLoss 替代流行的损失函数可以提高当前最先进的显著或伪装物体检测（SOD 或 COD）模型的性能。同时，我们还展示了将 SCLoss 与其他损失函数结合可以进一步提高性能并实现不同应用领域的最先进结果。最后，我们展示了将 SCLoss 应用于语义分割等其他相关任务的潜在用途的示例。

    Feb, 2024

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 领域自适应目标检测的强健学习方法

    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

  • 通过自监督源域投影和多级对比学习实现广义语义分割

    该研究提出了一种基于领域映射和对比学习的方法，通过自监督源域投影和多级对比学习来减少域差异并提高泛化能力，通过大量实验证明了该方法在语义分割方面具有良好的泛化能力。

    Mar, 2023

  • 基于混合类别分布度量的语义一致性特征对齐目标检测模型

    该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。

    Jun, 2022