Mar, 2020

iFAN: 适应性目标检测的图像实例全对齐网络

HTML
PDF
TL;DR使用Image-Instance Full Alignment Networks（iFAN）方法，通过部分训练生成对抗域分类器，实现了多尺度特征的图像级别的对齐和深度语义信息与实例表示的实例级别的对齐，并将这种方法应用于物体检测中，取得了SYN10K->Cityscapes和Cityscapes->Foggy Cityscapes领域适应任务的10%+AP提升。
发现论文，激发创造
  • 自适应目标检测的强弱分布对齐

    本文介绍了一种针对未标注数据，从特征丰富（label-rich）的数据领域向特征稀少（label-poor）的数据领域进行无监督目标检测适应的方法，并提出了一种针对局部特征的强对齐模型和弱全局对齐模型, 实验表明我们的方法在四个数据集上的鲁棒性。

    Dec, 2018

  • 通过不对称三向 Faster-RCNN 实现域自适应目标检测

    提出一种基于不对称三路Faster-RCNN和辅助网络的非监督域自适应目标检测方法，在保证安全性的同时提高了区别性并在多个数据集上达到 SOTA 性能。

    Jul, 2020

  • 目标检测中考虑不确定性的无监督域自适应

    通过引入条件对抗学习，基于不确定性度量的领域自适应网络(UaDAN)能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

    Feb, 2021

  • AFAN: 增强特征对齐网络用于跨域目标检测

    本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

    Jun, 2021

  • 多源域自适应目标检测

    本研究提出了一种基于 Faster R-CNN 的统一框架 DMSN，采用分而治之的策略进行特征对齐和反神经网络的训练，实现同时提高域不变性和保持判别能力，具有很强的适应性和泛化性能。

    Jun, 2021

  • 领域自适应物体检测的联合分布对齐：通过对抗学习实现

    本文提出了一个联合自适应检测框架(JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中-state-of-the-art性能。

    Sep, 2021

  • 自训练与对抗学习相互合作：领域自适应目标检测

    本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法，以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。

    Oct, 2021

  • 在自适应目标检测中寻求相似性优于差异性: 基于相似性的领域对齐

    提出了一个广义的Unsupervised Domain Adaptation框架, 基于此直接实现了ViSGA算法, 通过视觉相似性分组来聚合特征, 并基于对抗训练进行群体对齐, 并将其应用在多源数据集中, 在Sim2Real和Adverse Weather数据集上取得了优于之前方法的性能。

    Oct, 2021

  • 跨域适应目标检测教师

    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

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023