May, 2020

DAugNet：卫星图像语义分割的无监督、多源、多目标和终身域适应

PDF
TL;DR提出了一种新方法 DAugNet，用于无监督的多源、多目标、终身领域自适应卫星图像分类，包括分类器和数据增强器，增强器可以在多个卫星图像之间执行风格转换，每次训练迭代提供分类器多样化的数据，使其对不同的领域数据分布具有鲁棒性，该方法明显优于现有方法。
发现论文，激发创造
  • 自监督领域无关卫星图像域自适应

    通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

    Sep, 2023

  • StandardGAN: 多源域自适应用于对非常高分辨率卫星影像的语义分割，采用数据标准化

    本文介绍了一种处理多源数据对抗问题的方法：StandardGAN，该方法在单一目标域的基础上，标准化每个源和目标域数据的分布，实验表明，StandardGAN 生成的标准化数据使分类器生成更好的语义分割。

    Apr, 2020

  • 基于源自由的在线领域自适应卫星图像语义分割在图像退化下的应用

    在线自适应卫星图像分割中的分布偏移问题是一个关键但尚未充分探索的问题。本文提出了一种新的在线测试时领域适应方法，通过两种有效策略来缓解由各种形式的图像退化引起的分布偏移。通过全局 BN 统计估计和全局类别中心修正预测掩码的方法，我们的方法在各种领域适应场景中展现了鲁棒的性能。

    Jan, 2024

  • 多锚点主动域适应在语义分割中的应用

    该研究提出了一种多锚点主动学习策略用于语义分割无监督领域适应，以缓解手动注释的工作量，并在公共数据集上大量提高性能。

    Aug, 2021

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • 泛化再适应：无需源域数据的领域自适应语义分割

    本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

    Aug, 2021

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

    Apr, 2023

  • 基于数据增强的医学成像领域无监督域适应

    基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

    Aug, 2023

  • DecoupleNet: 基于解耦的网络用于领域自适应语义分割

    本文提出了 DecoupleNet 算法，通过 Self-Discrimination 技术和 Online Enhanced Self-Training 方法解决已有无监督域适应方法中存在的问题，这一算法在语义分割方面优于目前现有的方法。

    Jul, 2022

  • DDF: 一种新颖的双域图像融合策略用于遥感图像语义分割的无监督域自适应

    该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

    Mar, 2024