ECCVMar, 2020

通过条件域归一化适应物体检测器

PDF
TL;DR本文提出了一种条件域归一化（CDN）方法，用于将不同域的信息编码到共享的潜在空间中，此方法可以适应不同级别表示的域漂移，经过实验表明在 2D 和 3D 检测中，与现有的方法相比，CDN 的表现有了显著的提升。
conditional domain normalizationdomain gapobject detectoradaptationdomain vectors
发现论文，激发创造
  • 条件对抗领域自适应

    该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

    May, 2017

  • 基于原型的标准化输出调节器的对抗域适应

    本研究提出了牵扯到无监督领域自适应的条件对抗训练算法。实验证明基于我们提出的规范化输出的条件方法能够成功地将多模态结构进行对齐，甚至能够超越现有的领域对抗训练方法。同时，将基于原型的条件与规范化输出结合使用可以显著改善适应性性能。

    Mar, 2020

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 广义域条件自适应网络

    本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

    Mar, 2021

  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 通过发现潜在领域来提升域自适应

    本文提出了一种基于深度卷积神经网络的领域自适应方法，在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果，其中引入了两个主要组件，一个是自动计算源样本分配到潜在领域的支路，另一个是利用领域成员信息对齐 CNN 内部特征表示分布的新型图层。

    May, 2018

  • 探索分类正则化用于领域自适应目标检测

    本研究提出一种基于分类正则化框架的域自适应目标检测方法，通过对图像级 / 实例级位移进行匹配以及对目标域关键图像区域的匹配减轻域位移，与传统的 Domain Adaptive Faster R-CNN 方法相比，实验证明该方法可以在各种域位移场景下取得显著的性能提升，且具有针对域自适应的关键区域能力。

    Mar, 2020

  • 深度域泛化的批归一化嵌入

    该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

    Nov, 2020

  • 领域自适应神经网络用于物体识别

    该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。

    Sep, 2014

  • CDCGen：通过标准化流和对抗训练实现跨领域条件生成

    提出了一种基于转移学习的框架，利用正则化流和最大似然以及对抗性训练，模拟一个具有标签可用的源领域和没有标签可用的目标领域，采用对抗性辨别器将数据对齐到一个公共的潜空间中，通过编码器映射属性到潜在空间，并生成针对目标领域的特定属性的条件合成样本。

    Aug, 2021