CVPRMay, 2021

使用特征重放和慢学习优化训练领域不变目标检测器的速度

PDF
TL;DR本研究提出了 A-NDFT 方法，该方法改进了之前的 nuisance disentangled feature transformation 方法；A-NDFT 利用特征回放和缓慢学习器两种加速技术，可以将 NDFT 的训练时间从 31 小时缩短到 3 小时，同时保持其性能。
deep learningobject detectionremote sensingnuisance disentangled feature transformationa-ndft
发现论文，激发创造
  • 一种基于深度乏味还原方法的无人机鲁棒目标检测探究

    本文提出了一种利用元数据和相关无人机图像来学习领域鲁棒特征的对抗训练框架 —— 干扰解缠特征转换（NDFT）算法，以解决无人机图像中目标检测的具体挑战问题，实现了在两个现有基于无人机的目标检测基准测试上的最新性能。

    Aug, 2019

  • 领域感知微调：增强神经网络的适应性

    本文介绍了 Domain-Aware Fine-Tuning (DAFT) 的方法，该方法通过批量归一化转换和线性探测与微调的集成来有效减轻特征扭曲，并在分布和非分布数据集上实现了改进的模型性能。

    Aug, 2023

  • 基于傅里叶变换的领域自适应框架

    使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。

    Mar, 2024

  • 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

  • 循环解缠特征翻译用于人脸反欺诈

    本文提出了一种基于循环解缠的特征转换网络 (CDFTN) 的领域自适应方法，能够生成伪标签样本，从而实现源域不变的活体特征和目标域特定内容特征的解离。采用源域标签监督合成的伪标签图像来训练鲁棒的分类器，扩展到多目标域适应。实验证明，该方法明显优于现有技术水平。

    Dec, 2022

  • 学习水下物体检测的严重退化先验

    通过使用统计观察，该论文提出了一种基于残差特征传递模块（RFTM）的方法，将具有严重退化的图像区域用于水下物体检测的先验代替，并应用于 CNN-based 特征提取网络，以提高水下物体检测的性能。实验结果显示，该方法在速度和参数数量方面优于基于 CNN 的检测器，并且表现仍优于基于 Transformer 的检测器。

    Aug, 2023

  • 智能过滤辅助域对抗神经网络：一种用于噪声工业场景中故障诊断的无监督域自适应方法

    该研究提出了一种名为 SFDANN 的智能滤波技术辅助域对抗神经网络，用于解决工业环境下的故障诊断问题，该方法不仅可在不同条件之间实现操作经验和故障特征的转移，而且还可以很好地适应工业场景中的噪声。

    Jul, 2023

  • 领域泛化的深度频率滤波

    本研究提出了一种称为 Deep Frequency Filtering（DFF）的技术，可以通过调节深度神经网络中的不同频率组件来学习域通用特征在跨域转移时具有更好的泛化能力。通过 Fast Fourier Transform（FFT）技术和注意力机制，DFF 可以增强可转移的频率成分并抑制不利于泛化的成分。在多种跨域泛化任务中，DFF 优于现有技术并获得了最佳性能。

    Mar, 2022

  • 无监督深度缓慢特征分析在多时相遥感图像变化检测中的应用

    提出了一种基于深度慢特征分析和 CVA 预检测的变化检测算法，应用于多期遥感图像，通过特征变换突出变化信息，获得了更好的性能。实验结果表明，该算法胜过其他 SFA 和深度学习算法。

    Dec, 2018

  • 一种用于零样本增量学习的新型空间频域网络

    本文提出了一种新颖的基于空间频率领域网络（SFDNet）的零样本增量学习方法，其中包含了空间频率特征提取模块（SFFE）和注意力特征对齐模块（AFA），通过从样本图像领域捕捉重要信息，提高零样本转换分类增量算法的性能。该网络能够有效地提取图像的空间频率特征表示，提高图像分类的准确性，并从根本上缓解了灾难性遗忘。针对 CUB 200-2011 和 CIFAR100 数据集的广泛实验表明，我们提出的算法胜过了最先进的增量学习算法。

    Feb, 2024