本文提出了一种算法,通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐,用于自适应预训练模型以便在目标域中泛化。
Sep, 2020
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
该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异,以提高半监督领域自适应的性能,结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。
Mar, 2021
本研究提出了一种基于低级边缘信息的领域自适应方法,通过使用独立边缘流来处理边缘信息,从而在目标领域上产生高质量的语义边界,进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界,并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法,这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明,该结构相比现有技术具有更好的表现。
Sep, 2021
本文针对无监督视频领域自适应这一实用但具有挑战性的任务,首次从分离视点入手,对相关领域信息和时空语义信息进行数据转换,提出了一种 TranSVAE 框架并设计了多个目标函数,经强大的实验验证,相比几种现有技术,TranSVAE 具有更大的有效性和优越性。
Aug, 2022
本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法,通过将合成数据的标注用于真实数据的分割,有效地解决了语义分割中的领域间差异和类别不平衡问题。
Dec, 2020
本研究提出一种在线无监督域自适应算法,通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离,促进两个领域之间的共享领域无关潜在特征空间,从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求,我们通过一个合适的替代分布(如高斯混合模型)来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法,并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。
Jan, 2024
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020
本文提出了一种基于实例适应的自我训练框架,应用于语义分割的无监督域自适应问题,该方法采用了一种新的伪标签生成策略和区域引导正则化方法,以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。
Aug, 2020
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