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
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
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020
本文提出了一种新的自解耦框架 (SAD) 以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器,将潜在表示分解为特定领域和不变领域特征,从而减缓了领域内差距,并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。
Aug, 2021
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
本研究提出了一种测试时间域自适应评估框架,该框架表明了针对测试数据进行领域适应可以优于在目标领域中看到更多数据的领域适应方法,支持无监督域自适应应在测试时间使用,即使只使用单个目标领域主题。
Oct, 2020
我们提出了一种简单直接的方法来减小不同领域之间的差异,该方法无需进行额外的参数计算,并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域,该模型在决策过程中优先考虑目标领域的风格,在图像级别和浅层特征图级别上解决了该问题,并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升,比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能,mIoU 为 76.93%,比先前最先进结果改善了 1.03 个百分点。
Apr, 2024
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
本研究提出了基于深度聚类、领域对抗学习、自监督学习和样本选择策略的 AVATAR 算法,解决了复杂领域自适应任务中的领域差异和样本噪声问题,实验结果表明其在三个领域自适应基准任务上均优于现有算法。
Apr, 2023
本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题,使用基于元学习的领域自适应算法,利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。
Feb, 2021