Jun, 2021

语义分割中的无源开放式化合物领域自适应

PDF
TL;DR本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。
source-free open compound domain adaptationsemantic segmentationself-supervised learningcross-patch style swapdomain generalization
发现论文，激发创造
  • 开放式复合领域自适应

    本文提出了一种基于课程域适应策略和记忆模块的方法，以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类，面部表情识别，语义分割和强化学习上非常有效。

    Sep, 2019

  • 发现、虚构和调适：用于语义分割的开放式化合领域适应

    本文介绍了针对语义分割的无监督域自适应（UDA）的新方法 —— 开放复合域自适应（OCDA）。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。

    Oct, 2021

  • SCMix：用于语义分割的开放复合领域自适应的随机复合混合

    应用 Stochastic Compound Mixing 方法进行开放式复合领域适应，通过降低源域与混合目标域之间的差异来改善模型泛化性能，这种方法在 OCDA 语义分割任务上实现了更低的经验风险，并与 SoTA 结果相比有显着的性能提升。

    May, 2024

  • 泛化再适应：无需源域数据的领域自适应语义分割

    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

  • 聚类，分裂，融合和更新：用于开放式复合领域自适应语义分割的元学习

    提出了一种基于元学习的 OCDA 方法 MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用 MAML 算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。

    Dec, 2020

  • 无源域自适应语义分割

    通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

    Mar, 2021

  • ML-BPM: 开放式复合领域适应语义分割的双向光度混合多教师学习

    本文提出了一种基于多教师框架的光度混合自适应分割方法，用于解决开放式复合领域自适应问题，比现有方法效果更好。

    Jul, 2022

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 开放混合域适应语义分割的振幅谱变换

    本文提出了基于振幅谱变换的特征空间 AST 的 OCDA 简化自适应技术，隐式地完成跨域特征风格化和域内容规范化，同时在场景分割基准测试中领先于之前的技术。

    Feb, 2022

  • 由视觉和视觉语言预训练引导的无源域自适应

    灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的 SFDA 方法。

    May, 2024