Dec, 2020

领域自适应语义分割的跨域分组和对齐

HTML
PDF
TL;DR本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。
发现论文，激发创造
  • 通过判别式补丁表示实现结构输出的域适应

    该研究提出了一个领域自适应方法，以学习具有辨别性的特征表示，并使用对抗学习来将目标领域中的特征表示推向源领域中的分布，从而实现了对未标注目标领域的预测。

    Jan, 2019

  • 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

  • 类别重要性：一种细粒度对抗方法用于跨域语义分割

    该研究提出了一种基于精细级别对抗学习的策略，用于解决目标域内的类别级别特征对齐问题，从而提高语义分割模型在实际场景下的性能。

    Jul, 2020

  • 跨域语义分割的亲和空间自适应

    本文提出了基于结构语义分割输出中成对像素协同模式的特征不变性，利用源域和目标域之间的亲和力空间进行领域自适应，提出了两种亲和力空间自适应策略，在多个具有挑战性的语义分割问题上，所提出的方法优于现有方法。

    Sep, 2020

  • 基于正交和聚类嵌入的语义分割无监督域适应

    本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。

    Nov, 2020

  • 基于补丁对比学习的语义分割领域自适应

    本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

    Apr, 2021

  • 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

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • 聚类到适应：在不同标签之间进行语义分割的少样本领域自适应

    本研究提出了一种聚类适配方法Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。

    Aug, 2022

  • 将目标拔向源头：关于域自适应语义分割的新视角

    本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。

    May, 2023