Jan, 2021

领域自适应语义分割的原型伪标签去噪与目标结构学习

PDF
TL;DR本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。
self-trainingdomain adaptive segmentationunsupervised domain adaptationprototypespseudo labels
发现论文，激发创造
  • 基于变换不变自训练的医学图像分割领域适应

    半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

    Jul, 2023

  • 面向域自适应语义分割的平衡类别像素自标记

    本文提出了一种基于像素分布和类别平衡的自我标记方法，可以改善目标域中的结构分割性能，尤其是在长尾类别上表现得更好。

    Mar, 2022

  • 自监督对比学习与自训练在语义分割的无监督领域自适应中的应用

    本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。

    May, 2021

  • DecoupleNet: 基于解耦的网络用于领域自适应语义分割

    本文提出了 DecoupleNet 算法，通过 Self-Discrimination 技术和 Online Enhanced Self-Training 方法解决已有无监督域适应方法中存在的问题，这一算法在语义分割方面优于目前现有的方法。

    Jul, 2022

  • 去源域自适应眼底图像分割：去噪伪标签法

    本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。

    Sep, 2021

  • 无监督域自适应的语义分割研究及伪标记自我修正

    基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

    Oct, 2023

  • 自训练方式提升语义分割

    本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

    Apr, 2020

  • 使用代理标签的策略课程进行自适应语义分割

    本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

    Nov, 2018

  • 双向对比学习用于领域自适应语义分割

    提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

    Jul, 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