Jul, 2021

AUGCO: 无源域自适应语义分割的增强一致性自训练

PDF
TL;DR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。
domain adaptive semantic segmentationsource-free domain adaptationaugmentation consistency-guided self-trainingpredictive consistencyself-training
发现论文，激发创造
  • 自监督增强一致性用于语义分割适应

    本研究提出一种实用且高精度的 “领域自适应（domain adaptation）语义分割” 方法，通过数据增强，确保保持图像转换后的语义预测的一致性，在轻量级自监督框架中训练并取得了显著的精度提高。

    Apr, 2021

  • UCC：基于不确定性引导的跨头部共同训练半监督语义分割

    提出了一种称为 UCC 的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验，证明了 UCC 方法的有效性和优越性。

    May, 2022

  • 多任务一致性引导的无源测试时域自适应医学图像分割

    提出了一种多任务一致性引导的无源测试时间领域适应医学图像分割方法，确保局部边界预测结果和全局原型表示之间的一致性，显著提高了医学图像分割的性能。

    Oct, 2023

  • 语义分割中的无源开放式化合物领域自适应

    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。

    Jun, 2021

  • SePiCo: 面向域自适应语义分割的语义引导像素对比

    该论文提出了一种新的一步自适应框架 SePiCo，它通过强调单个像素的语义概念来促进跨域自学习方法的学习，并在合成到真实和白天到夜晚自适应情景下取得了显著的进展。

    Apr, 2022

  • 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

  • 无监督伪装目标分割作为领域适应

    本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

    Aug, 2023

  • 基于不确定性和自训练的特征对齐用于无源自监督域自适应

    本文提出了一种源自由的无监督领域自适应方法，使用预先训练的源模型和未标记的目标图像，通过数据增强和一致性目标来捕捉不确定性，并且鼓励特征生成器在决策边界外学习一致的视觉特征，以增强模型对图像扰动的鲁棒性，并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距，实验结果表明，该方法对于图像扰动具有更强的鲁棒性。

    Aug, 2022

  • 多目标域自适应与协作一致性学习

    本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

    Jun, 2021

  • 语义连通性驱动的跨域分割的伪标记

    我们提出一种称为 SeCo 的新方法，通过在连接级别生成伪标签来解决跨领域语义分割中的两个关键限制，从而显著改善现有最先进方法的性能。

    Dec, 2023