无源域自适应语义分割
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
本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA),该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域,无需使用来自源领域的任何表示(既没有数据也没有网络),并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下,以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割,我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越,并且与标准的无监督领域适应方法相比,我们报告了性能和使用源领域表示之间的权衡。
Nov, 2020
本文提出了一种新颖的基于协作学习的多源领域自适应框架,通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息,同时通过图像翻译使源域与目标域之间的差距减小,经实验证明,在语义分割任务中,该方法在Cityscapes数据集的验证集上获得59.0%的mIoU,显著优于所有之前的单一和多源无监督领域自适应方法。
Mar, 2021
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 2021
提出一种针对图像数据的新型两阶段框架,通过逐步训练多尺度神经网络从源域到目标域执行图像翻译,将生成的新数据作为任何标准UDA方法的输入,以进一步降低域差距,达到提高域自适应技术的效果。
Apr, 2022
本文研究了视频语义分割的源无域自适应(SFDA),提出了一种新的叫做Spatio-Temporal Pixel-Level contrastive learning的方法,该方法通过利用时空信息来解决源数据缺失的问题,并在视频语义分割基准测试中取得了最先进的性能。
Mar, 2023
提出了一种新的校准引导的无源自适应语义分割 (Cal-SFDA) 框架,该框架通过估计预期校准误差 (ECE) 进行模型训练和选择,以适应目标域数据,并在两个常用的合成-真实转移任务上超过了先前的最新技术。
Aug, 2023
本研究提出一种在线无监督域自适应算法,通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离,促进两个领域之间的共享领域无关潜在特征空间,从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求,我们通过一个合适的替代分布(如高斯混合模型)来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法,并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。
Jan, 2024
通过无需外部数据的多目标无监督领域适应策略,实现语义分割模型在新的未知目标域上的适应,无需使用来自多个目标域的标注和未标注数据,通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。
May, 2024