CVPRMar, 2020

跨领域文档目标检测：基准套件和方法

PDF
TL;DR文档对象检测（DOD）是将文档页面图像分解成高级语义区域（例如，图形、表格、段落）的基础，但在跨域 DOD 中存在挑战，本文旨在建立 a 基准套件以评估跨域 DOD 模型训练和提出方法，通过结合三个新的对齐模块，如特征金字塔对齐模块（FPA）、区域对齐模块（RA）和渲染层对齐模块（RLA），实现从源域中的有标记数据到目标域中的仅未标记数据的检测器转移。
document object detectioncross-domainalignment modulespdf document datasetssemantic regions
发现论文，激发创造
  • 目标检测中的域通用化

    本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

    Mar, 2022

  • 跨领域多模态少样本目标检测：基于丰富文本

    我们提出了一种多模态小样本物体检测方法，利用丰富的文本语义信息作为辅助模态来实现领域自适应，通过多模态特征聚合模块和丰富的文本语义校正模块增强模型的语言理解能力，实验证明该方法明显优于现有的小样本物体检测方法。

    Mar, 2024

  • 基于数据的 Sim-to-Real 领域自适应方法，用于 3D 语义分割

    本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

    Apr, 2022

  • 对齐和提炼：统一和改进领域自适应目标检测

    通过引入统一的基准测试和实施框架 ALDI、公平且现代的培训与评估协议、新的 DAOD 基准数据集 CFC-DAOD 以及 ALDI++ 方法，我们提供了一个关键的重启点用于域自适应物体检测（DAOD）并为未来的研究奠定了坚实的基础。

    Mar, 2024

  • 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

  • 深度域自适应目标检测：一份综述

    本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

    Feb, 2020

  • AcroFOD：一种跨领域少样本对象检测的自适应方法

    本文提出一种新方法以应对跨域少样本目标检测面临的数据不足及误导等问题，该方法由自适应优化策略与多层次领域感知数据增强两部分构成，最终在多个基准测试中取得最优表现。

    Sep, 2022

  • 揭示描述物体检测中的问题制造者

    通过构建 $D^3$ 数据集，我们提出了一种基于二元分类子任务的基线方法，它通过重构训练数据并引入二元分类子任务来大幅改进 Referring Expression Comprehension 方法，并在 Described Object Detection 任务上超越现有方法。

    Jul, 2023

  • 目标感知双分支蒸馏的跨域物体检测

    本文介绍了一种新的目标感知双分支蒸馏（TDD）框架，它可在统一的师生学习方案中集成源域和目标域的检测器分支，通过自蒸馏逐步整合来自不同领域的补充目标知识，以有效降低领域漂移并提高检测准确性。

    May, 2022

  • 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