Mar, 2020

学习纹理不变的表示以进行语义分割的领域自适应

HTML
PDF
TL;DR本文提出了一种使用风格迁移算法来多样化合成图像纹理，然后通过自训练来微调模型以适应目标域纹理的领域自适应方法，以实现更好的语义分割性能。
发现论文，激发创造
  • 城市场景语义分割中合成数据的有效使用

    本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。

    Jul, 2018

  • 从合成数据中学习语义分割: 一种几何引导的输入输出适应方法

    本研究利用合成数据中的几何信息，结合图像翻译网络和任务网络，通过对抗性训练同时进行深度估计和语义分割，有效地缩小域差距，实现了跨域语义分割的重大性能提高。

    Dec, 2018

  • 结构全知：通过领域间结构信息适应性增强语义分割

    本文提出了一种基于结构内容的无监督领域自适应语义分割方法，通过Domain Invariant Structure Extraction (DISE)框架实现跨领域图像转换和标签转移，大量实验证明该方法在无标注数据情况下具有更高的分割性能。

    Mar, 2019

  • 基于尺度不变示例的语义分割领域自适应学习

    本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。

    Jul, 2020

  • 面向语义分割领域自适应的语义感知图像翻译

    该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

    Sep, 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

  • 全局和局部纹理随机化用于合成到真实场景的语义分割

    本文提出两种简单而有效的纹理随机化机制（GTR和LTR），以用于域泛化的基于SRSS的纹理无关形式。同时，提出了一种CGL机制来协调两种机制。在使用各种SRSS设置的五个公开数据集上，实验表明该方法优于基于域泛化的SRSS的现有方法。

    Aug, 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

  • 单域广义分割的自适应纹理过滤

    本文提出了一种新颖的自适应纹理过滤机制和具有结构引导增强模块的分层指导统一网络，用以学习领域-不变化的广义知识，以实现领域的普适性。在广泛使用的数据集上进行的大量实验和消融研究验证了所提出模型的有效性，并揭示了其优于其他最先进的替代品的优越性。

    Mar, 2023

  • 领域泛化语义分割的自适应风格调制

    通过引入能够调节图像风格强度的模块 $ASH_{+}$，并且提出了一种平衡元素和通道的图像风格化的参数，本研究旨在解决对于语义分割任务领域泛化的问题，并在公共基准语义分割数据集上对模型进行了测试，结果表明该方法与最先进的方法具有相似的竞争力。

    Apr, 2023