Apr, 2020

通过跨模态旋转进行 RGB-D 物体识别的无监督领域适应

PDF
TL;DR本文提出了一种新的 RGB-D DA 方法，使用卷积神经网络通过解决预文本任务来减少合成与真实数据领域之间的差异，对 RGB-D 数据的实例识别和对象分类进行了评估，并展示了利用跨模态关系进行 RGB-D DA 的优势。
发现论文，激发创造
  • 无监督域自适应多通道语义分割

    该论文介绍了两种方法来利用多通道输入和无监督域自适应算法来提高机器人对真实图片的语义分割结果，其中一种是基于深度图像的融合方法，另一种是基于深度图像的多任务学习方法，并创建了相应的基准测试。

    Dec, 2018

  • 跨域多模态 RGB-D 场景识别

    本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

    Mar, 2021

  • 无源、仅图像的无监督领域适应用于类别水平的物体姿态估计

    3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。

    Jan, 2024

  • 当无监督领域适应遇见张量表示

    提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

    Jul, 2017

  • 鲁棒的 RGB-D 物体识别多模态深度学习

    使用卷积神经网络，采用 RGB-D 架构，通过两个不同模式的 CNN 处理流程结合延迟融合网络来识别物体，同时引入多阶段训练方法以及进行数据增强方案，使得处理 RGB-D 图像更加健壮，同时在真实嘈杂环境中取得了最先进的识别结果。

    Jul, 2015

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 正则化超图匹配的无监督领域自适应

    我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

    May, 2018

  • 基于可靠、多样和类平衡伪标签的领域自适应三维目标检测重新探讨

    本文提出了一个名为 ReDB 框架的方法，该方法用于解决多类别训练设置下的领域自适应问题，通过生成可靠、多样性和类别平衡的伪三维边界框并采用交叉领域检查和重叠边界框计数度量等方法，进一步提高了领域适应 3D 物体检测的准确性。

    Jul, 2023

  • G2DA: 基于几何引导的双重对齐学习用于 RGB - 红外人员再识别

    提出了一种基于图匹配和最优传输计算的 RGB-IR ReID 模型，能够通过构建多尺度人体骨架图、匹配任务和信息融合等机制，确保跨模态图像的整体一致性、局部结构关联和语义特征的区分性。

    Jun, 2021

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018