无监督领域自适应的空间注意力金字塔网络
本文提出了一种自我监督域自适应的通用方法,重点关注简单的预训练任务,如图像旋转预测,运用于对象识别和城市场景语义分割等场景,并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。
Jul, 2019
提出了一种新颖的框架 Spatial Pyramid Attention Network (SPAN),用于检测和定位多种类型的图像篡改。该框架通过构建局部自注意力块的金字塔有效地建模了多尺度图像块之间的关系。SPAN 在通用的合成数据集上进行训练,但也可以对特定数据集进行微调;所提出的方法在标准数据集上显示出显著的性能提升,超过了之前最先进的方法。
Sep, 2020
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
使用金字塔注意力网络 (PAN) 进行语义分割,通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征,优于现有方法,可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。
May, 2018
本研究提出了一种基于 Faster R-CNN 的统一框架 DMSN,采用分而治之的策略进行特征对齐和反神经网络的训练,实现同时提高域不变性和保持判别能力,具有很强的适应性和泛化性能。
Jun, 2021
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
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法,该方法使用班级原型来缓解误标签噪声的影响,利用转换器模块识别对应于错误、过于自信的注释的离群 ROI,通过自学习的过程,降低伪标签的损失并提高性能。
Nov, 2021
本文提出了一种使用注意力对齐和后验标签分布估计的卷积神经网络自适应无监督域适应的方法,在 Office-31 数据集上超过其他最先进的方法 2.6%。
Jan, 2018