Jan, 2020

基于循环一致性和特征对齐的移动语义分割无监督领域自适应

HTML
PDF
TL;DR本研究提出了一种基于无监督域自适应（UDA）策略的语义分割方法，该方法利用对抗性模型实现了合成域和真实域之间的映射，利用MobileNet-v2架构实现了语义分割，并在特征级别增加了两个辨别器以提高性能。经实验证明，该方法能够在将分割网络训练为适应于真实世界场景时取得优异的性能。
发现论文，激发创造
  • 多源域自适应语义分割

    本文提出了一种多源领域自适应的新型框架MADAN，其中包括通过动态语义一致性生成每个源的适应域，通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合，以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明，MADAN模型优于现有的最先进方法.

    Oct, 2019

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 语义分割中的无监督域适应：综述

    本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

    May, 2020

  • 无监督领域适应学习用于语义分割的内容迁移技术

    本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法，通过将合成数据的标注用于真实数据的分割，有效地解决了语义分割中的领域间差异和类别不平衡问题。

    Dec, 2020

  • 将自监督单目深度引入无监督域自适应中进行语义分割

    通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

    Oct, 2021

  • ProCST: 基于渐进循环风格迁移的语义分割增强

    提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准UDA方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

    Apr, 2022

  • 领域自适应的一致性正则化

    本文提出将一致性正则化项加入半监督UDA中，通过建模网络输出元素之间的像素之间的相互关系，在DAFormer框架上改善了GTA5到Cityscapes数据集19类mIoU表现0.8和SYNTHIA到Cityscapes数据集16类mIoU表现1.2。

    Aug, 2022

  • 多目标无监督领域自适应语义分割

    通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。

    May, 2024

  • 面向实例分割的合成到真实的无监督领域自适应

    UDA4Inst是一种适用于自动驾驶中实例分割的合成到真实领域无监督域适应模型，通过引入新颖的交叉域双向实例级混合数据方法充分利用了源域和目标域的数据，并采用稀有类别平衡和类别模块训练进一步提高了性能。在新的合成到真实实例分割基准测试上，UDA4Inst分别在UrbanSyn->Cityscapes和Synscapes->Cityscapes上达到了39.0 mAP和35.7 mAP，同时在SYNTHIA->Cityscapes上的性能为31.3 mAP，比最新方法高出15.6。

    May, 2024

  • 划分、集成与征服：自主域适应中的最后一英里-车载语义分割

    提出了DEC，这是一个灵活的多源数据集的UDA框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的UDA方法相结合，在Cityscapes、BDD100K和Mapillary Vistas上实现了最先进的性能。

    Jun, 2024