CVPRJun, 2021

AutoAdapt: 面向无监督域自适应的自动分割网络搜索

PDF
TL;DR本文提出一种基于神经网络的自适应框架，借助神经架构搜索技术优化网络结构，使用最大均值差异和区域加权熵估计准确性度量，实现语义分割任务的无监督域自适应，提高现有自适应技术的性能表现。
neural networksemantic segmentationdomain adaptationneural architecture searchunsupervised learning
发现论文，激发创造
  • 领域自适应的网络架构搜索

    本文介绍了一种名为神经架构搜索的领域自适应基本框架 (NASDA)，它利用可微分的神经架构搜索来获得领域适应任务的最佳网络架构，并具有神经架构搜索和多核最大平均差异配合的两种新的训练策略，通过实验证明 NASDA 在多个领域适应基准测试中表现出最先进的性能。

    Aug, 2020

  • 自监督的无监督领域内语义分割自适应

    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

  • 无监督领域适应结构搜索与自我训练用于地表覆盖图制作

    通过将马尔可夫随机场神经架构搜索（MRF-NAS）与自训练无监督域适应（UDA）结合为单一框架，本研究在有限的计算预算下为土地覆盖映射任务搜索出高效且有效的轻量级神经网络，该网络在 OpenEarthMap 和 FLAIR＃1 这两个近期数据集上表现出了令人满意的性能。

    Apr, 2024

  • 基于对抗神经网络的无监督领域自适应脑损伤分割

    该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

    Dec, 2016

  • 自动驾驶视觉感知语义分割的无监督域适应调查

    本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

    Apr, 2023

  • 语义分割中的无监督域适应：综述

    本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

    May, 2020

  • 深度神经网络无监督域适应

    本文介绍了现有的领域自适应方法的分析，提出了一种新的方法，证明了在不同领域中改进视觉识别任务的潜力，为领域自适应领域的进一步研究和发展开辟了机遇。

    Jul, 2023

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • Auto-DeepLab：用于语义图像分割的分层神经架构搜索

    本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能，并设计出了一种有效的基于梯度的架构搜索方法，其结果表明，在不进行 ImageNet 预训练的情况下，Auto-DeepLab 可以达到最先进的性能水平。

    Jan, 2019