在医学图像分割领域,我们提出了一种新颖的两阶段无源域适应框架(SFDA),通过仅使用训练有素的源分割模型和无标签目标数据,旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型,通过最小化预期成本,通过双向传输将目标特征与类原型对齐,其次设计了对比学习阶段,利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明,我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。
Jul, 2023
本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制,提供了一篇系统综述文章,介绍了最近提出的无源自适应方法,着重对白盒和黑盒方法进行分类,并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。
Dec, 2022
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
本文提出了一种基于红外图像的智能监测系统,其基于卷积神经网络和支持向量机算法,并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应,使用了策略筛选伪标签的课程学习加速自适应过程。
Mar, 2023
我们提出了一种简单直接的方法来减小不同领域之间的差异,该方法无需进行额外的参数计算,并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域,该模型在决策过程中优先考虑目标领域的风格,在图像级别和浅层特征图级别上解决了该问题,并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升,比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能,mIoU 为 76.93%,比先前最先进结果改善了 1.03 个百分点。
Apr, 2024
提出了一个两阶段训练策略来实现领域自适应的稳健性,第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力,第二阶段提出了一种新的稳健伪标签和伪边界方法,有效利用无标签目标数据生成伪标签和伪边界,实现模型的自适应,无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。
Oct, 2023
该论文研究了利用少量标记数据来对无监督领域适应(UDA)进行数据中心性思考,并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。
Jun, 2022
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
本文提出了一种算法,通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐,用于自适应预训练模型以便在目标域中泛化。
Sep, 2020
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。