通过从合成车辆的无监督域自适应学习部件分割

CVPRMar, 2021

通过从合成车辆的无监督域自适应学习部件分割

Learning Part Segmentation through Unsupervised Domain Adaptation from Synthetic Vehicles

Qing Liu, Adam Kortylewski, Zhishuai Zhang, Zizhang Li, Mengqi Guo...

TL;DR本文提出使用无监督领域自适应 (UDA) 从合成数据学习部件分割的想法，并介绍了一种针对车辆的综合部件分割数据集 UDA-Part，然后提出一种新的 UDA 算法，利用物体的空间结构来指导适应过程，实验结果证实我们的方法优于现有方法，并展示了从合成数据学习部件分割的前景，本数据集将有助于在该领域推进研究。

Abstract

Part segmentations provide a rich and detailed part-level description of objects. However, their annotation requires an enormous amount of work, which makes it difficult to apply standard deep learning methods. In this paper, we propose the idea of learning part segmentation through un

part segmentation unsupervised domain adaptation synthetic data vehicles spatial structure

发现论文，激发创造

面向实例分割的合成到真实的无监督领域自适应

UDA4Inst 是一种适用于自动驾驶中实例分割的合成到真实领域无监督域适应模型，通过引入新颖的交叉域双向实例级混合数据方法充分利用了源域和目标域的数据，并采用稀有类别平衡和类别模块训练进一步提高了性能。在新的合成到真实实例分割基准测试上，UDA4Inst 分别在 UrbanSyn->Cityscapes 和 Synscapes->Cityscapes 上达到了 39.0 mAP 和 35.7 mAP，同时在 SYNTHIA->Cityscapes 上的性能为 31.3 mAP，比最新方法高出 15.6。

May, 2024

无监督领域适应学习用于语义分割的内容迁移技术

本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法，通过将合成数据的标注用于真实数据的分割，有效地解决了语义分割中的领域间差异和类别不平衡问题。

Dec, 2020

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

无人驾驶目标检测中基于像素和特征级别的域自适应

本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Sep, 2018

SALUDA: 基于表面的汽车激光雷达无监督领域自适应

本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

Apr, 2023

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

LiDAR 全景分割的无监督域自适应

本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

Sep, 2021

基于深度感知的语义分割域自适应

该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

Apr, 2019

基于循环一致性和特征对齐的移动语义分割无监督领域自适应

本研究提出了一种基于无监督域自适应（UDA）策略的语义分割方法，该方法利用对抗性模型实现了合成域和真实域之间的映射，利用 MobileNet-v2 架构实现了语义分割，并在特征级别增加了两个辨别器以提高性能。经实验证明，该方法能够在将分割网络训练为适应于真实世界场景时取得优异的性能。

Jan, 2020

自动驾驶视觉感知语义分割的无监督域适应调查

本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

Apr, 2023