Apr, 2020

跨域语义分割的不确定性感知一致性正则化

PDF
TL;DR提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。
unsupervised domain adaptationuncertainty-aware consistency regularizationcross-domain semantic segmentationteacher-student modelregional consistency
发现论文，激发创造
  • 领域自适应的一致性正则化

    本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

    Aug, 2022

  • 区域对比一致性正则化的域自适应语义分割

    本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

    Oct, 2021

  • 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

  • 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

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 面向领域自适应语义分割的上下文感知混合技术

    本文提出一种新的上下文感知混合框架（CAMix），用于域自适应语义分割，通过引入上下文相关性作为显式先验知识，以完全端到端的可训练方式增强了对目标域的适应性，并在三个不同的水平上引导上下文感知域组合。

    Aug, 2021

  • 领域自适应语义分割的样式适应

    我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

    Apr, 2024

  • 高维度非对抗源导向扰动下的一致性正则化 —— 用于分割中的无监督领域自适应

    本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。

    Sep, 2020

  • 改进跨域混合采样，基于指导训练的自适应分割

    通过引入辅助任务 “Guidance Training”，我们提出了一种新型的无监督领域自适应方法，该方法在减轻领域间分布差异的同时，引导模型从混合数据中提取和重建目标领域特征分布，并利用重建的特征进行伪标签预测，从而改进了现有方法的性能。

    Mar, 2024

  • 领域无关的先验知识在语义分割中的迁移

    本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

    Apr, 2022