Mar, 2020

自我引导适应：逐步表示对齐的领域自适应目标检测

PDF
TL;DR提出了一种名为 “自主引导自适应” 的方法，该方法通过计算难度因素来提高跨域对象检测模型的鲁棒性，并表现出在大范围领域转移方面的有效性。
unsupervised domain adaptationobject detectionself-guided adaptationhardness factorsmodel adaptation
发现论文，激发创造
  • 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

  • 基于内部表示的在线连续域适应语义图像分割

    本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

    Jan, 2024

  • 基于实例关系图的无源域自适应目标检测

    本文提出了一种在无需访问源数据的条件下，采用对比损失和实例关系图来增强目标表示并将源训练的物体探测器适应于目标域的训练策略；通过多个实验数据集证明，该方法优于先前的最先进的领域自适应检测方法。

    Mar, 2022

  • 面部反欺诈的生成域适应

    本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

    Jul, 2022

  • 基于实例自适应技术的无监督领域自适应自训练

    本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

    Aug, 2020

  • 一种以对抗扰动为导向的领域自适应语义分割方法

    该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

    Dec, 2019

  • 逐渐消失的原型网络在无监督领域适应中的差距

    我们提出了一种高效的无监督领域自适应框架 (GVG-PN)，通过全局和局部角度实现了转移学习，以解决无监督领域自适应模型在对齐过程中分布塌缩的问题，并且能够清晰地胜过目前最先进的模型。

    May, 2024

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • SPA：一种基于图谱对齐的领域自适应视角

    我们介绍了一种新颖的图谱对齐框架 (SPA)，用于解决无监督领域适应问题，该框架通过将 DA 问题投射到图基元上，通过一种新颖的谱正则化器在特定的特征空间中对领域图进行对齐，进而通过新颖的邻域感知自训练机制开发细粒度的消息传递模块，以提高目标领域中的可区分度。在标准基准测试中，SPA 的广泛实验证明其性能已超越现有的领域适应方法，密集模型分析证实了我们的方法确实具有优越的效果、鲁棒性、可区分度和可迁移性。

    Oct, 2023

  • 粗到精的域自适应语义分割：光度对齐和类别中心正则化

    本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

    Mar, 2021