探索序列特征对领域自适应检测变压器的对齐
本研究提出了一个新颖的增强特征对齐网络,通过引入中间域图像生成器和域敌对训练,将中间域图像逐步桥接域差异,进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法,在相似和不相似的领域适应方面具有很好的效果。
Jun, 2021
本文提出了一个联合自适应检测框架(JADF),通过联合、条件式对齐特征空间和返回类别空间,以提高无监督域自适应目标检测的性能,并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度,实现了无监督域自适应目标检测中-state-of-the-art性能。
Sep, 2021
本文提出了任务特定的不一致对齐(TIA)方法,通过在分类和定位分支中添加辅助预测器来解决领域偏移问题,并设计了任务特定的损失函数来对齐跨领域差异,有效提高物体检测器的分类和定位能力。
Mar, 2022
本文中,我们提出了一个统一的多粒度对齐的对象检测框架,以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图,首先开发了全尺度门控融合模块来聚合实例的判别表示,从而实现了强大的多尺度目标检测。与此同时,我们提出了多粒度鉴别器,以识别样本(即像素、实例和类别)不同粒度来自哪个领域。在不同的背骨骼架上,我们进行了广泛的实验,证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
Mar, 2022
提出了一种基于平均教师框架的端到端跨域检测Transformer,该方法可以利用未标记的目标领域数据进行目标检测训练,并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代,实现了在三种领域适应场景下实现了最先进的性能,特别是Sim10k到Cityscapes情景下性能显著提高。
May, 2022
本论文提出了一种基于OADA的新型域自适应物体检测算法,通过考虑边界框偏移的特征条件化方法,解决了特征分布因物体种类和边界框偏移值而异的问题,并在实验中取得了最新颖的性能。
Jul, 2022
该论文提出了一种基于多粒度对齐的检测框架,不仅考虑了不同类别实例之间的区别,还考虑了不同领域中不同粒度样本的区别,并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。
Jan, 2023
我们提出了一种名为MTM的两阶段框架,利用无监督领域自适应进行目标检测,其中包括遮蔽特征对齐的方法,该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型,在自训练阶段提高模型的目标性能。
Oct, 2023
我们提出了一种强大的基于DetR的检测器,名为Domain Adaptive Detection Transformer (DATR),用于无监督域自适应目标检测,通过有效地对跨域特征进行类别感知的对齐,明确引导检测器实现全局表示,并通过使用教师模型生成的伪标签来减轻领域偏差,展示了我们的DATR在多个域适应场景中具有卓越的性能和泛化能力。
May, 2024