Jan, 2021

基于交叉模态学习的三维语义分割领域自适应

PDF
TL;DR本文介绍了一种新的领域适应策略 - “交叉模态学习”，在无监督和半监督领域适应设置下，通过两种模式的相互模仿实现模态之间的一致性，在 3D 语义分割任务中证明了该方法的有效性
domain adaptationmulti-modal datasetscross-modal learning3d semantic segmentationunsupervised and semi-supervised domain adaptation
发现论文，激发创造
  • 稀疏到密集特征匹配：基于域自适应的交叉模态学习用于 3D 语义分割

    本文提出了一种基于跨模态学习的动态稀疏到稠密的交叉模态学习和在包含不同语义内容的 2D 和 3D 数据上进一步改进交叉模态对抗性学习，以大幅提高各种多模态领域自适应设置上的性能。

    Jul, 2021

  • 跨模态和跨领域学习的无监督 LiDAR 语义分割

    该论文介绍了一种新的三维激光雷达语义分割设置，利用交叉模态和跨域学习（CoMoDaL）方法，通过构建混合数据样本和应用多个约束来实现无需标记三维激光雷达数据的分割。

    Aug, 2023

  • xMUDA：跨模态无监督 3D 语义分割领域自适应

    本篇论文提出了一种跨模态迁移学习方法（xMUDA），用于解决多模态数据下的无监督域适应问题，借助自动驾驶数据集验证了该方法的有效性并与单模态方法进行了比较。

    Nov, 2019

  • Mx2M: 三维语义分割领域自适应中的跨模态建模

    现有的跨模态域自适应方法在三维语义分割中仅通过跨模态特征匹配预测结果的 2D-3D 补充性，然而，在目标领域缺乏监督的情况下，这种补充性并不总是可靠的。我们为解决缺乏监督的问题，将蒙版建模引入该任务，并提出了一种名为 Mx2M 的方法，该方法利用蒙版的跨模态建模来减小域间差距。我们的 Mx2M 包含两个组成部分。一个是核心解决方案，即跨模态去除和预测（xMRP），它使得 Mx2M 适应各种情景并提供跨模态自监督。另一个是一种新的跨模态特征匹配方式，即动态跨模态滤波器（DxMF），它确保整个方法动态地使用更合适的 2D-3D 补充性。在包括白天 / 夜晚、美国 / 新加坡和 A2D2/SemanticKITTI 在内的三个跨模态自适应场景上，对 Mx2M 的评估在许多指标上取得了显著的改进。

    Jul, 2023

  • 跨模态和跨域知识迁移对无标签 3D 分割

    通过探索图像和点云之间的关系并设计有效的特征对齐策略，我们提出了一种新颖的方法来解决具有挑战性的跨模态和跨域自适应任务，在没有任何 3D 标签的情况下，我们的方法利用 KITTI360 和 GTA5 的知识，在 SemanticKITTI 上达到了 3D 点云语义分割的最先进性能，相比现有的无监督和弱监督基准。

    Sep, 2023

  • 多机构无监督交叉模态域适应中学习特定场地风格

    该研究介绍了一种应对跨模态、多机构的无监督领域自适应问题的解决方案，通过无配对图像转换和自训练等技术，成功应用于医学图像分析的领域。

    Nov, 2023

  • 语义分割领域自适应的双向学习

    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

  • 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

  • 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

  • SUMMIT: 单模型无源适应到多模态目标

    我们提出了一种通过自动选择两种互补的交叉模态伪标签融合方法（一致性过滤和熵加权），来解决在没有访问原始源数据集的情况下，将在单模数据上独立训练的一组模型调整到由未标记的多模数据组成的目标领域的问题。

    Aug, 2023