CVPRApr, 2020

StRDAN: 车辆再识别的从合成到实际环境域自适应网络

PDF
TL;DR本研究提出了一种基于合成数据和真实数据训练的 StRDAN 网络框架，它将域自适应和半监督学习方法相结合，可显著提高车辆再识别的准确性。
vehicle re-identificationdeep learning methodsdomain adaptationsemi-supervised learningsynthetic data
发现论文，激发创造
  • 用于车道检测的合成到真实领域适应

    本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。

    Jul, 2020

  • 领域对抗循环神经网络实现强健的无主体行驶机动预测

    通过深度学习和计算机视觉技术，结合领域适应性实现驾驶行为几秒钟内的精准预测，提高驾驶辅助系统的性能和应用范围。

    Feb, 2019

  • 面向现实的城市场景语义分割自适应技术

    该论文提出了一种面向现实的域适应方法，通过学习合成数据，结合目标引导的蒸馏和空间感知的适应方案，可以提高语义分割网络从合成到真实城市场景的泛化能力。

    Nov, 2017

  • 车辆再识别的强基线

    本文提出了一种针对第五届 AI 城市挑战赛数据集 Track 2 的车辆识别方法，包括缩小真实与合成数据之间的域间差距、通过堆叠多个具有注意力机制的网络头进行网络修改、自适应损失权重调整等。该方法在不使用外部数据集或伪标签的情况下，在私人 CityFlow 测试集上实现 61.34％的 mAP，并在 Veri 基准测试中以 87.1％的 mAP 超越了所有先前的工作。

    Apr, 2021

  • 适应性和再认网络：一种无监督的深度迁移学习方法用于人员再认证

    该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

    Apr, 2018

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • VehicleNet：学习用于车辆重新识别的强健视觉表征

    通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。

    Apr, 2020

  • 无监督车辆重识别与渐进式适应

    本文提出一种名为 PAL 的新颖的渐进自适应学习方法，该方法利用无标记的丰富数据，针对车辆重新识别问题，使用数据适应模块和动态采样策略，生成类似于未标记目标域的伪目标样本，并采用加权标签平滑损失以平衡伪标签的置信度。在 VehicleID 和 VeRi-776 数据集上进行的实验表明，PAL 具有显着的优势。

    Jun, 2020

  • 基于鸟瞰 LiDAR 点云数据的车辆检测领域自适应

    本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

    May, 2019

  • 域风格迁移：一种强而简单的合成到真实图像域自适应基准线

    通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

    Jul, 2018