CVPRMar, 2020

协调传递性与区分度：应用于对象检测器的适应性

PDF
TL;DR本文提出了一种基于 Hierarchical Transferability Calibration Network 的自适应目标检测方法，其中采用各种技术（如输入插值、自适应训练、上下文感知实例层对齐）来提高特征可辨别性和可转移性，从而使得该方法在目标检测领域表现出色。
adaptive object detectionadversarial feature adaptationhierarchical transferability calibration networkdiscriminabilityinstance-level alignment
发现论文，激发创造
  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • 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

  • 区分度 - 可转移性权衡：一个信息论的观点

    该研究通过时间分析发现了深度表征学习中鉴别性和可转移性之间的矛盾，并提出了一种基于信息瓶颈理论的对抗性学习框架以平衡两者，从而在图像分类和迁移学习任务中取得了显著的性能提升。

    Mar, 2022

  • I3Net：隐式实例不变网络用于调整一阶段物体探测器

    本文提出了一种适用于单级检测器的隐式实例不变网络（I3Net），通过利用不同层次深度特征的自然特点，从三个方面促进适应：动态和类平衡权重（DCBR）策略、类别感知对象模式匹配（COPM）模块和正则化联合类别对齐（RJCA）模块。实验结果表明，I3Net 在基准数据集上优于现有技术的性能。

    Mar, 2021

  • 对抗式判别异质人脸识别

    本文提出了一种对抗鉴别特征学习框架，通过在原始像素空间和紧凑特征空间上进行对抗学习，整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明，我们的方法优于最先进的 HFR 方法，且不需要复杂网络或大规模训练数据集。

    Sep, 2017

  • 域对抗性用于域自适应目标检测

    提出了域对抗 (Domain Contrast, DC)，一种受对比学习启发的简单而有效的方法，可用于训练域自适应检测器。DC 通过交叉域对比损失实现，保证了检测器的可转移性，并自然地缓解了目标域中的类别不平衡问题。广泛实验表明，DC 显著提高了基线和最先进技术，同时展示了大域分歧的巨大潜力。

    Jun, 2020

  • 深度适应网络学习可迁移特征

    本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

    Feb, 2015

  • 基于粗到细特征自适应的跨领域目标检测

    本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

    Mar, 2020

  • 通过减少离散度增强对抗样本的跨任务黑盒可迁移性

    本文研究了对神经网络的对抗样本跨任务迁移性的攻击，超越了现有攻击的限制，并针对计算机视觉中的多种任务提出了一种新的攻击方法。

    Nov, 2019

  • 通过转移分类权重来扩展物体检测

    本文提出了一种名为权重传输网络（WTN）的新方法，通过权重的有效和高效传输，可以在不需要标注的情况下检测出新颖物体类别。相比基础的 WTN，引入自编码 - WTN（AE-WTN）方法可以在两个含有 500 和 57 种新颖类别的 Open Images 数据集以及一个含有 200 种新颖类别的 Visual Genome 数据集中获得 6％和 25％的绝对性能提升。

    Sep, 2019