本文提出了一种基于对比学习和自我训练的方法,该方法可以很好地应用于不同领域的实例进行语义分割,可以将语义类别在跨域上进行对齐,从而达到更好的结果。
May, 2021
该研究提出了一种基于领域映射和对比学习的方法,通过自监督源域投影和多级对比学习来减少域差异并提高泛化能力,通过大量实验证明了该方法在语义分割方面具有良好的泛化能力。
Mar, 2023
通过对比学习实现特征对齐,提出了一种跨领域适应的标签扩展方法,结果表明,我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。
Apr, 2022
该研究提出了一种基于语义分布的对比适应算法,可以在语义分布的指导下实现像素级表示对齐,从而能够更好地解决跨域问题。经验证明,SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。
本文提出了一种协同学习的框架,在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果,并且在多个任务上表现出了不俗的效果。
Jun, 2021
本文提出了一种基于多级一致性学习的半监督域自适应框架,其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域,使用新颖的类内对比聚类损失促进目标特征表示的学习,遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明,该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。
May, 2022
该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐,该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明,该方法在从合成到真实的城市场景理解中具有良好的效果。
Mar, 2020
该论文提出了一种新的方法,将迁移学习视为学习聚类的问题,通过相似性信息的迁移学习和聚类网络的学习,实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习,并在该领域展现了最新成果,将其与其他算法进行比较。同时,该方法可以应用于不同的数据集,从而增加了灵活性和稳健性,并通过进一步与域适应法相结合,获得了更好的性能。
Nov, 2017
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
通过引入样本对间对比学习和原型 - 样本对比学习,提出了一种新颖的语义感知双对比学习框架,通过联合训练三个模块,准确捕捉与图像内容相关的判别性标签级特征,并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。
Jul, 2023