Jun, 2020

域对抗性用于域自适应目标检测

PDF
TL;DR提出了域对抗 (Domain Contrast, DC)，一种受对比学习启发的简单而有效的方法，可用于训练域自适应检测器。DC 通过交叉域对比损失实现，保证了检测器的可转移性，并自然地缓解了目标域中的类别不平衡问题。广泛实验表明，DC 显著提高了基线和最先进技术，同时展示了大域分歧的巨大潜力。
domain contrastcontrastive learningdomain adaptive detectorscross-domain contrast losstransferability
发现论文，激发创造
  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 增强跨域检测：自适应分类感知对比变换器

    我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。

    Jan, 2024

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 跨域目标检测的分离式适应

    本文提出基于 D-adapt 的跨域目标检测方法，通过对对抗性适应性和检测器训练的分离来消除前景和背景特征的混淆，并通过引入边界框适配器来填补物体检测中回归域适应的空白， 在四项跨领域目标检测任务中取得了最先进的结果，并在特别是 Clipart 1k 和 Comic 2k 这两个基准数据集上相对提高了 17％和 21％。

    Oct, 2021

  • 领域混淆对比学习用于无监督领域自适应

    本文介绍了一种自主学习方法的无监督域自适应技术，即 Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于 UDA。实验表明，DCCL 的表现显著优于基线。

    Jul, 2022

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • DA-CIL: 领域自适应，增量式的三维物体检测

    本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

    Dec, 2022

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 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