无监督场景适应中的记忆正则化技术
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
自主域自适应方法对目标域训练数据稀缺和注释成本高的机器人应用领域尤为重要。我们提出了一种自我监督的域自适应方法,适用于仅有标注源领域数据但目标领域数据完全无标注的情景,并且我们使用了分割基础模型(Segment Anything Model)来获得未标注数据的部分信息,利用无监督局部特征学习的最新进展,提出了一种对目标域中检测到的分割区域进行正则化特征表示的不变性方差损失结构。关键是,这种损失结构和网络架构可以处理由 Segment Anything 生成的重叠分割区域和过分割问题。我们在具有挑战性的 YCB-Video 和 HomebrewedDB 数据集上展示了我们方法的优势,并显示出它优于之前的方法,甚至优于使用真实注释进行训练的网络(在 YCB-Video 上)。
Sep, 2023
本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法,利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集,并利用一致性正则化方法来提高语义分割任务的准确性,实验结果表明,BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。
Sep, 2020
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 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
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
本论文介绍一种基于课程式学习(curriculum-style learning)的方法,通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异,并在两个数据集和两个骨干网络上的实验中表现优异。
Jul, 2017