AAAIMar, 2020

iFAN: 适应性目标检测的图像实例全对齐网络

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。
object detectionunsupervised domain adaptationadversarial learningfeature alignmentmetric learning
发现论文，激发创造
  • 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

  • 针对视觉识别的对抗性特征增强与规范化

    本文提出了 Adversarial Feature Augmentation 和 Normalization (A-FAN) 方法，旨在将对抗性的特征嵌入到当前的视觉识别模型中，从而提高其分类、检测和分割任务的泛化能力。在各种数据集上的实验证明，A-FAN 可以有效地提高当前视觉识别任务的表现。

    Mar, 2021

  • 无监督领域自适应的渐进特征对齐

    本文提出了渐进特征对齐网络 (PFAN) 对无监督域自适应问题进行解决，通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤，使得模型能够有效地完善交叉领域的分类一致性。

    Nov, 2018

  • 利用对抗信息网络的自适应人脸识别

    本文介绍了一种针对人脸识别中源域和目标域数据不匹配问题的方法 —— 通过提出一种新的对抗信息网络来实现无监督域适应，并在两种情况下得到了验证。

    May, 2023

  • 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

  • 多粒度对齐领域自适应物体检测

    本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。

    Mar, 2022

  • 迭代滤波自适应网络用于单张图像的散焦去模糊

    我们提出了一种新的端到端学习方法，用于单幅图像的散焦去模糊。该方法配备有一个新型的迭代滤波自适应网络 (IFAN)，专门设计用于处理空间变化和大的散焦模糊，并且在现实场景中达到了最先进的性能表现。

    Aug, 2021

  • 每个像素都重要：用于域自适应目标检测的中心感知特征对齐

    本文提出了一个基于像素级目标度和中心化对齐的域自适应目标检测器，以优化跨域适配，实验结果证明了其相对于现有算法的优越性。

    Aug, 2020

  • 全卷积适应网络用于语义分割

    本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

    Apr, 2018

  • 基于混合类别分布度量的语义一致性特征对齐目标检测模型

    该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。

    Jun, 2022