本文介绍了一种基于生成对抗网络的数据增强方法,可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明,该方法在领域自适应上表现出优异的性能。
Feb, 2020
该研究提出了一种基于生成对抗网络(GANs)的新方法,以改进分割网络所学到的表示在合成和真实领域中的自适应,证明了其具有广泛性和可扩展性。
Nov, 2017
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
本研究提出了一种基于双向学习和自我监督学习的域自适应语义图像分割框架,与现有技术相比,在大幅优化分割结果的同时,避免了对大规模数据集的手工标注。
Apr, 2019
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
本文提出了一种半监督的方法 ASS 来处理域自适应问题,使用语义级别的对抗学习来提高全局和局部特征的分布一致性,从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明,使用少量的注释样本,ASS 可以显著优于目前的无监督方法,并可以通过增加目标域的注释样本克服针对源域的过度拟合.
Apr, 2020
通过使用源领域标签作为图像翻译的明确指导,本文提出了一种创新的方法来解决领域自适应语义分割中的语义一致的局部细节保持问题,并利用了渐进翻译学习策略来实现在具有大差距领域中可靠工作的语义梯度引导方法。大量实验证明了我们方法相对于最先进的方法的优越性。
Aug, 2023
本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响,并在实验中测试表明,在 Potsdam 领域(源领域)到 Vaihingen 领域(目标领域)的转变中,该方法将整体准确性从 35% 提高到 52%。
May, 2019
提出一种针对图像数据的新型两阶段框架,通过逐步训练多尺度神经网络从源域到目标域执行图像翻译,将生成的新数据作为任何标准 UDA 方法的输入,以进一步降低域差距,达到提高域自适应技术的效果。
本研究致力于在无监督域自适应的背景下,解决深度神经网络在语义分割任务中出现的领域转移问题,提出了一种新的低层适应策略和有效的数据增强方法,可以有效地提高分类边界上的表现。
Oct, 2021