本文提出了一种全新的基于卷积网络的无监督技术,用于密集物体(如植物器官)的计数,该技术采用后处理优化步骤,可在不需要数据集调整或修改的情况下,对高精度计数执行器官任务的有效性得到了验证。
Jul, 2020
本文提出了一种跨域细胞计数方法,使用少量标注的目标域图像和大量合成的源域图像进行训练,通过逐步微调模型实现在新的目标域图像上进行细胞计数。实验表明该方法在微生物学领域有着良好的表现。
Nov, 2022
本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述,强调提出的策略及其相关的缺点,为未来的研究提供有前途的问题,并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。
May, 2021
本文提出了一种名为 AdaTreeFormer 的方法,通过从源领域学习具有足够标记树的框架,并针对只有有限数量标记的目标领域进行自适应,利用层次特征提取方案从源和目标领域中提取强大特征,并引入注意力机制以及逐渐对齐源和目标领域特征的层次交叉领域特征对齐方案,采用对抗学习进一步减小源领域和目标领域之间的差距,在树木计数数据集上进行评估,结果明显优于现有方法。
Feb, 2024
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
本文提出了一种基于领域适应的人群计数 (DACC) 框架,通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题,实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。
Dec, 2019
利用文本到图像的潜在扩散模型 (LDMs),本研究介绍了一种无监督的排序方法,通过借助生成的计数数据,对任意类型的对象进行可靠计数,该方法优于其他无监督和少样本方法,不受特定对象类别计数数据的限制。
Mar, 2024
本文提出了一种调整卷积神经网络目标计数器的技术,在保留原始计数功能的同时,适应于其他视觉领域和对象类型。此项技术成功的实现了细胞计数新数据集 (DCC) 的构建,并取得了多个数据集上的最先进的目标计数性能。
Nov, 2017
本文提出了一种用于无监督域适应的方法,通过仅仅匹配源域和目标域的图像统计数据即可实现域适应,不需要其他额外的换架构和超参数,相比于最近的方法,在训练过程中使用更简单的流程来实现当前最先进的性能。
May, 2020
本文提出了一种跨域弱监督目标检测的框架,通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调,取得了 5 到 20 个百分点的均值平均精度改进。
Mar, 2018