这篇论文提出了一种基于自举技术和生成对抗网络的语义分割方法来解决无监督域自适应问题,其中,生成对抗网络的数据增强方法有效地帮助了域的对齐。实验表明,该方法在数据集上表现优异。
Sep, 2019
本文提出了一种自我监督域自适应的通用方法,重点关注简单的预训练任务,如图像旋转预测,运用于对象识别和城市场景语义分割等场景,并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。
Jul, 2019
该研究提出了一种名为 AUGCO 的算法,在无源数据的情况下,利用模型的像素精度在目标图像的多样化自动生成视图下的预测一致性以及模型置信度来识别可靠的像素预测并进行有选择性的自我训练,最终在三种标准的语义分割基准测试中取得了最先进的无源自适应结果,这是一种易于实现和快速收敛的方法。
Jul, 2021
本文提出了一个两步自监督域自适应方法,以最小化域间和域内差距,首先进行模型的域间自适应,然后使用基于熵的排序函数将目标域分为易和难两部分,最终采用自监督自适应技术从易到难来降低域内差距。
Apr, 2020
本文提出一种新颖的基于自我监督领域自适应的方法,通过利用语义分割模型的尺度不变性属性,可以在不同尺度的补丁之间转移标签,使用动态类特定熵阈值机制过滤出不可靠的伪标签,并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题,实验结果表明,该方法在 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的数据集上优于基于现有自我监督方法的最新领域自适应方法, VGG16-FCN8 基线网络效果提高了 1.3%和 3.8%。
Jul, 2020
本文提出了一种基于目标域一致性训练的无监督域自适应框架,通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性,并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。
May, 2021
本研究致力于在无监督域自适应的背景下,解决深度神经网络在语义分割任务中出现的领域转移问题,提出了一种新的低层适应策略和有效的数据增强方法,可以有效地提高分类边界上的表现。
Oct, 2021
本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法,利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集,并利用一致性正则化方法来提高语义分割任务的准确性,实验结果表明,BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。
Sep, 2020
该研究提出了一种基于半监督学习的语义分割框架,采用了强数据增强和分布特定批处理归一化技术,同时设计自校正损失提高噪声抗干扰能力,在 Cityscapes 和 Pascal VOC 数据集上实现了领先水平的结果。
Apr, 2021
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。