高维度非对抗源导向扰动下的一致性正则化 —— 用于分割中的无监督领域自适应

Sep, 2020

高维度非对抗源导向扰动下的一致性正则化 —— 用于分割中的无监督领域自适应

Consistency Regularization with High-dimensional Non-adversarial Source-guided Perturbation for Unsupervised Domain Adaptation in Segmentation

PDF

Kaihong Wang, Chenhongyi Yang, Margrit Betke

TL;DR本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。

Abstract

unsupervised domain adaptation for semantic segmentation has been intensively studied due to the low cost of the pixel-level annotation for synthetic data. The most common approaches try to generate images or fea

unsupervised domain adaptation semantic segmentation neural style transfer consistency regularization state-of-the-art

发现论文，激发创造

跨域语义分割的不确定性感知一致性正则化

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

领域自适应的一致性正则化

本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

Aug, 2022

标签驱动的域自适应语义分割重建

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

双向生成无监督域适应

本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

Feb, 2020

半监督领域适应医学图像分割通过一致性规则的解耦对比学习

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

PixMatch: 通过像素一致性训练实现无监督领域自适应

本文提出了一种基于目标域一致性训练的无监督域自适应框架，通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性，并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。

May, 2021

无源领域自适应的一致性正则化

通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法，本文提出了一种更具泛化能力的无源域适应方法，在目标训练集和测试集上同时提高模型性能，实现了在多个无源域适应基准上的最先进性能，并展示在未知测试集上的鲁棒性。

Aug, 2023

多目标域自适应与协作一致性学习

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

基于低层边缘信息传输的语义分割无监督领域自适应

本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

Sep, 2021

无监督模型适应连续语义分割

本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

Sep, 2020