AAAIDec, 2020

利用多种特性和对抗性矛盾实现域自适应分割

PDF
TL;DR该研究提出了一种基于 APAT 和自我培训的条件引导适应框架，能够有效地推理出目标域中的多模态特征，从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明，该方法（DCAA）在目标域的天气变化等复杂情景下，相比基线和现有方法有着显著的优越之处。
semantic segmentationadaptation modelsapatself-trainingweather conditions
发现论文，激发创造
  • 一种以对抗扰动为导向的领域自适应语义分割方法

    该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

    Dec, 2019

  • 动态分治对抗训练用于稳健语义分割

    本研究探索了对语义分割数据进行通用对抗训练的方法，提出了动态分治对抗训练（DDC-AT）策略，将像素分为多个分支，以增强对抗攻击的防御效果。实验表明，DDC-AT 在白盒和黑盒攻击下都具有令人满意的性能。

    Mar, 2020

  • 自监督领域无关卫星图像域自适应

    通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

    Sep, 2023

  • 带有领域知识保留的多种恶劣天气条件下的语义分割

    我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

    Jan, 2024

  • 语义分割中的多目标对抗框架跨域适应性

    本研究致力于解决面向多个目标域的无监督域自适应语义分割任务，提出了两种对抗性框架以实现多目标自适应，并在四个新的多目标基准测试中表现出色。

    Aug, 2021

  • 语义分割的无监督对比域自适应

    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

  • 通过对抗性域自适应解决户外机器人外观变化问题

    天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。

    Mar, 2017

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020

  • 学习适应语义分割的结构化输出空间

    本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

    Feb, 2018

  • 探究领域变化：基于类别的对抗学习在语义一致性领域适应中的应用

    本文提出了一种基于分类级别对抗网络和协同训练方法的非监督域自适应语义分割模型，通过加强对局部语义一致性的控制来优化全局对齐策略，取得了与当前领先技术水平相当的分割精度。实验任务包括 GTA5->Cityscapes 和 SYNTHIA -> Cityscapes 两种不同的领域自适应任务。

    Sep, 2018