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

HTML
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
  • 通过格里斯曼流形上的核回归进行零样本领域适应

    本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

    Jul, 2015

  • 视觉域自适应的几何和统计联合对齐

    本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。

    May, 2017

  • 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

  • 利用特征白化和一致性损失进行无监督域适应

    介绍了一种新颖的深度学习框架，通过实现特征白化和Min-Entropy Consensus loss来实现域自适应，对公开数据集进行了测试，并取得了新的最先进的性能表现。

    Mar, 2019

  • 统一无监督域自适应与零样本视觉识别

    该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影(SLPP)技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

    Mar, 2019

  • 简单有效：基于图像统计匹配的领域自适应方法

    本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

    May, 2020

  • 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

  • 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

  • 通过源培训提高视觉领域适应能力

    本文提出了Source Preparation方法用于减轻源域偏差，并将其与无监督域适应和监督对齐相结合，提出了使用少量标注数据的机器人场景的标签有效的半监督方法。在低光照场景下进行了大量的实场图像配对实验，结果表明该方法在语义分割方面的有效性，提高了近40.64％的mIoU，使目标模型更加健壮。 AUDA是有效的DA标签节约框架，只需从目标域中获得十几个标记样本即可大大提高目标域性能。

    Jun, 2023

  • 深度神经网络无监督域适应

    本文介绍了现有的领域自适应方法的分析，提出了一种新的方法，证明了在不同领域中改进视觉识别任务的潜力，为领域自适应领域的进一步研究和发展开辟了机遇。

    Jul, 2023