基于实例自适应技术的无监督领域自适应自训练

ECCVAug, 2020

基于实例自适应技术的无监督领域自适应自训练

Instance Adaptive Self-Training for Unsupervised Domain Adaptation

Ke Mei, Chuang Zhu, Jiaqi Zou, Shanghang Zhang

TL;DR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。

Abstract

The divergence between labeled training data and unlabeled testing data is a significant challenge for recent deep learning models. Unsupervised domain adaptation (UDA) attempts to solve such a problem. Recent works show that self-training is a powerful approach to UDA. However, existi

unsupervised domain adaptation self-training semantic segmentation pseudo-label region-guided regularization

发现论文，激发创造

多领域判别器与自适应自训练的无监督领域自适应

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

基于类平衡自训练的语义分割领域自适应

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

无监督域自适应的语义分割研究及伪标记自我修正

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

自监督对比学习与自训练在语义分割的无监督领域自适应中的应用

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

基于尺度不变示例的语义分割领域自适应学习

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

语义分割中的无监督域适应：综述

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

语义分割的无监督域自适应重新思考

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022

面向实例分割的合成到真实的无监督领域自适应

UDA4Inst 是一种适用于自动驾驶中实例分割的合成到真实领域无监督域适应模型，通过引入新颖的交叉域双向实例级混合数据方法充分利用了源域和目标域的数据，并采用稀有类别平衡和类别模块训练进一步提高了性能。在新的合成到真实实例分割基准测试上，UDA4Inst 分别在 UrbanSyn->Cityscapes 和 Synscapes->Cityscapes 上达到了 39.0 mAP 和 35.7 mAP，同时在 SYNTHIA->Cityscapes 上的性能为 31.3 mAP，比最新方法高出 15.6。

May, 2024

领域自适应语义分割的样式适应

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

基于双层交互的领域自适应语义分割

本文提出了一个双层互动的域自适应 (DIDA) 方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

Jul, 2023