CVPRApr, 2021

DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

PDF
TL;DR本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。
semantic segmentationnighttime imagesdomain adaptation networkadversarial trainingpixel-level predictions
发现论文，激发创造
  • 夜晚更清晰：通过昼夜图像转换实现强健的夜间语义分割

    使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当” 是使得性能最为稳定的最佳选择。

    Aug, 2019

  • 夜间航空追踪的无监督领域自适应

    该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。

    Mar, 2022

  • 跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

    利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

    Jul, 2019

  • 面向无监督域自适应夜间语义分割的动态小物体细化

    这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

    Oct, 2023

  • 暗模型适应：从白天到黑夜的语义图像分割

    本文提出了一种基于黄昏的方法，通过渐进适应白天场景训练的语义模型，从而实现对夜间场景的语义图像分割。同时，我们构建了一个道路场景数据集，包含从白天到黄昏和到夜晚的 3.5 万张图像，并密集标注了部分夜晚图像，实验证明该方法可以有效地将白天场景下的模型适应到夜晚场景，无需额外的人工标注。

    Oct, 2018

  • 跨域相关性蒸馏：用于夜晚语义分割的无监督域自适应

    本研究提出了一项通过交叉域相关性蒸馏的新颖域适应框架，称为 CCDistill，旨在充分利用两个图像之间的不变性，从而弥补夜间图像标签缺乏的不足，并实现了夜间语义分割的最先进性能。

    May, 2022

  • 基于地图引导的课程适应、不确定性感知评估：夜晚语义图像分割

    通过逐步改进昼夜时间的语义分割模型，并使用新的不确定性感知注释和评估方法，以及使用我们创建的数据集 - Dark Zurich 数据集，相对于之前的研究工作，我们已经在夜间数据集中达到了更好的结果。

    May, 2020

  • HeatNet: 利用热成像技术缩小昼夜间语义分割差距

    本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

    Mar, 2020

  • 城市场景语义分割的弱监督对抗域适应

    本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

    Apr, 2019

  • 2PCNet: 为日夜无监督领域自适应物体检测训练开发的二阶段一致性训练

    该论文提出了一种名为 2PCNet 的两阶段一致性无监督领域自适应网络和一个针对夜晚图像的增强管道 NightAug，旨在解决夜晚目标检测困难的问题，经实验证明，其结果比现有技术高出 20％。

    Mar, 2023