ECCVMar, 2020

双重多标签预测的自适应目标检测

PDF
TL;DR本文提出了一种新的端到端无监督深度领域适应模型，利用多标签对象识别作为双重辅助任务实现自适应对象检测，使用多标签预测揭示每个图像中的对象类别信息，然后使用预测结果执行条件对抗全局特征对齐，从而可以处理图像特征的多模态结构以在全局特征级别上连接域分歧，同时保留特征的可辨析性。此外，还引入了一种预测一致性正则化机制来辅助目标检测，该机制使用多标签预测结果作为辅助正则化信息，以确保对象识别任务和对象检测任务之间一致的对象类别发现。在几个基准数据集上进行实验，结果表明，该模型优于现有方法。
unsupervised learningdeep learningobject detectiondomain adaptationmulti-label prediction
发现论文，激发创造
  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 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

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 目标检测无监督领域自适应：综述

    本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

    May, 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

  • 通过渐进式域自适应进行跨领域弱监督物体检测

    本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

    Mar, 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

  • 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

  • 跨域目标检测的分离式适应

    本文提出基于 D-adapt 的跨域目标检测方法，通过对对抗性适应性和检测器训练的分离来消除前景和背景特征的混淆，并通过引入边界框适配器来填补物体检测中回归域适应的空白， 在四项跨领域目标检测任务中取得了最先进的结果，并在特别是 Clipart 1k 和 Comic 2k 这两个基准数据集上相对提高了 17％和 21％。

    Oct, 2021

  • mDALU: 多源域适应及部分数据集标签统一

    该研究提出了一种多源域自适应和标签统一问题的新方法，使用领域关注、不确定性最大化和注意力引导的对抗性对齐解决不匹配标签的负向转移，并在部分监督和完全监督的适应阶段传递知识以进行标签完成处理，在三种不同的任务中实现了显著优于现有竞争方法的表现。

    Dec, 2020