研究发现,自适应领域不受监督学习(UDA)和半监督学习(SSL)虽然看似不同,但其任务目标和解决方案十分相似。基于这个发现,通过在 UDA 基准测试上适应八种 SSL 算法,发现 SSL 方法具有较强的 UDA 学习能力,在 DomainNet 挑战性 UDA 基准测试上,SSL 方法显着优于现有的 UDA 方法,并且可以通过 SSL 技术进一步增强现有 UDA 方法的性能。因此,未来 UDA 研究中应将 SSL 方法作为基线应用,并期望揭示的 UDA 和 SSL 之间的关系能够给未来 UDA 发展带来启示。
Jun, 2021
本文提出了一种基于实例适应的自我训练框架,应用于语义分割的无监督域自适应问题,该方法采用了一种新的伪标签生成策略和区域引导正则化方法,以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。
Aug, 2020
基于深度学习的解决方案如何在面对与训练数据不同特征的情况下,语义分割会有性能下降的问题,针对此问题提出了一种无监督领域适应的方法,利用辅助伪标签优化网络进行自训练,实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.
Oct, 2023
本文提出了一种基于迭代自训练的无监督域自适应框架,在自训练的基础上提出了一种新的类平衡自训练框架,并引入了空间先验来改善生成的标签。综合实验表明,所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。
Oct, 2018
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
本文提出一种新颖的基于自我监督领域自适应的方法,通过利用语义分割模型的尺度不变性属性,可以在不同尺度的补丁之间转移标签,使用动态类特定熵阈值机制过滤出不可靠的伪标签,并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题,实验结果表明,该方法在 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的数据集上优于基于现有自我监督方法的最新领域自适应方法, VGG16-FCN8 基线网络效果提高了 1.3%和 3.8%。
Jul, 2020
本研究探讨了医学图像分割中相对较少研究的半监督域适应方法,通过使用自我学习的预训练编码器以及像素级特征一致性约束,提出了一种两阶段训练过程,并实验证明该方法在两个域适应图像分割任务中优于其他方法。
Jul, 2023
本文概述了用于语义分割的深度网络无监督域适应的最新进展,并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。
May, 2020
提出了一种基于自我训练和预测一致性的无监督域自适应算法(SENTRY),它利用随机图像变换的委员会评估目标实例的可靠性,通过增加高度一致性目标实例的置信度,减少高度不一致实例的置信度来选择性地最小化预测熵和最大化预测熵。该算法结合了基于伪标签的近似目标类平衡方法,在标签分布转移方面具有优异表现。
Dec, 2020
本论文提出了一种基于最大平方损失的半监督无监督域自适应方法,并引入图像加权比来缓解目标域无标签数据集中的类别不平衡问题,该方法在合成到真实以及跨城市自适应实验中均取得了很好的性能。
Sep, 2019