基于无偏均衡学习的跨领域目标检测方法
本文提出了一种统一的、通用的框架 ——CMT,将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起,通过伪标签进行特征抽取和优化,从而稳定提高了目标域上的性能,取得了新的最优表现。
May, 2023
提出了一种基于平均教师框架的端到端跨域检测 Transformer,该方法可以利用未标记的目标领域数据进行目标检测训练,并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代,实现了在三种领域适应场景下实现了最先进的性能,特别是 Sim10k 到 Cityscapes 情景下性能显著提高。
May, 2022
基于原型的均值教师(PMT)是一种新颖的多源领域适应方法,通过使用类原型而非特定于域的子网络来保持域特定信息,并使用对比损失来对不同类别进行对齐和分离,从而减小了参数大小与源域数量的关系,降低了内存问题和可能的过拟合,并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。
Sep, 2023
我们提出了自适应教师(AT)框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题,AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。
Nov, 2021
我们提出了一种名为 MTM 的两阶段框架,利用无监督领域自适应进行目标检测,其中包括遮蔽特征对齐的方法,该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型,在自训练阶段提高模型的目标性能。
Oct, 2023
本研究提出了一种名称为 MTOR 的新方法,将 Mean Teacher 引入到 Faster R-CNN 网络中,通过学习对象之间的关系,结合三项一致性规则(区域级别、图形间、图形内)来进行跨领域检测,实验结果表明,在包括 Cityscapes、Foggy Cityscapes 和 SIM10k 在内的跨领域转移中,MTOR 的表现优于现有的方法,最好的单模型结果为 Syn2Real detection 数据集上的 22.8% 的 mAP。
Apr, 2019
本文研究半监督物体检测 (SS-OD) 中的伪标签偏差问题并引入一种名为 “Unbiased Teacher” 的方法,通过对过度自信的伪标签进行分类均衡损失,共同训练一个学生和逐渐进步的老师,最终在 COCO 标准、COCO 附加和 VOC 数据集上使现有的最先进方法显著提高 6.8 绝对 mAP,当只使用 0.5、1、2%的标记数据时,相对于有监督的基线,实现了约 10 mAP 的提高。
Feb, 2021
本研究主要研究基于无源域的玻璃体图像分割,旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为 Class-Balanced Mean Teacher (CBMT) 的模型,旨在解决伪标签不稳定和类别不平衡的问题,并通过实验证明 CBMT 在多个基准测试中优于现有方法。
Jul, 2023
提出了一种基于 Dual-Teacher De-biasing Distillation 框架的多领域假新闻检测方法,通过知识蒸馏方法构建了一个不带偏见的教师和一个具有领域知识的干净教师来指导学生模型,以减少领域偏见问题并保持性能,实验证明该方法在偏见度量上明显优于现有基准方法,并保证了具有竞争性的性能。
Dec, 2023
本文提出了一种新的无监督多目标域自适应方法,通过多教师知识蒸馏来训练 CNN,使其可以在多个目标领域上广义化。该方法通过逐步蒸馏目标域知识到一个共同的学生无直接学习域适应特征,同时保留每个目标(教师)的特异性以适应学生,通过在多项具有挑战性的 UDA 基准测试上的实证结果表明,我们提出的模型可以在多个目标域上提供较高水平的准确性。
Jul, 2020