粗到细：基于对抗评分网络的领域自适应人群计数

MMJul, 2021

粗到细：基于对抗评分网络的领域自适应人群计数

Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network

Zhikang Zou, Xiaoye Qu, Pan Zhou, Shuangjie Xu, Xiaoqing Ye...

TL;DR该研究提出了一个基于对抗学习的评分网络（ASNet），实现了深度神经网络在人群计数中的领先表现，通过对源域和目标域的全局和局部特征空间的对抗学习，结合粗到细的特征层次得分方法进行特征选择和知识迁移，有效地缓解了由于领域差异而导致的泛化瓶颈。

Abstract

Recent deep networks have convincingly demonstrated high capability in crowd counting, which is a critical task attracting widespread attention due to its various industrial applications. Despite such progress, trained data-dependent models usually can not generalize well to unseen scenarios because of the inherent domain shift. To facilitate this issue, thi

crowd counting domain adaptation adversarial learning deep neural networks transfer learning

发现论文，激发创造

未知场景下的领域通用人群计数

本文研究了基于单一源域的元学习框架，通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化，通过多个标准数据集的实验验证了该方法的强大通用性。

Dec, 2022

高质量图像翻译和密度重建实现的领域自适应人群计数

本文提出了一种基于领域适应的人群计数 (DACC) 框架，通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题，实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。

Dec, 2019

基于粗到细特征自适应的跨领域目标检测

本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

Mar, 2020

视频监控中基于特征的适应性与密度对齐的人群计数

本文提出了一种基于域自适应的人群计数方法，通过多层特征感知适应和结构化密度映射对齐，可以有效地将模型从合成数据适应到特定的实际场景，并在四个主流监视人群数据集上显示出比同类交叉领域计数问题的最新方法更好的效果。

Dec, 2019

关注跨域人群理解中的语义一致性

本文提出了一种领域适应方法，采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题，在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。

Feb, 2020

语义分割中的持续粗到细领域自适应

本文提出了一种新的粗到细的语义分割架构的学习任务，以应对不同数据集和任务的领域变化，并设计了一种新的方法，使用最大平方损失来对齐源和目标领域，引入了知识蒸馏约束来传递网络能力，以及设计了粗细权重初始化规则。在实验中表明该方法优于主要竞争对手。

Jan, 2022

类别重要性：一种细粒度对抗方法用于跨域语义分割

该研究提出了一种基于精细级别对抗学习的策略，用于解决目标域内的类别级别特征对齐问题，从而提高语义分割模型在实际场景下的性能。

Jul, 2020

野外环境下的细粒度识别：一种多任务域自适应方法

本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

Sep, 2017

AdaTreeFormer: 单高分辨率图像树木计数的少样本领域适应

本文提出了一种名为 AdaTreeFormer 的方法，通过从源领域学习具有足够标记树的框架，并针对只有有限数量标记的目标领域进行自适应，利用层次特征提取方案从源和目标领域中提取强大特征，并引入注意力机制以及逐渐对齐源和目标领域特征的层次交叉领域特征对齐方案，采用对抗学习进一步减小源领域和目标领域之间的差距，在树木计数数据集上进行评估，结果明显优于现有方法。

Feb, 2024

CODA：通过基于尺度感知的对抗密度自适应进行对象计数

该论文提出了一种基于分层金字塔的多尺度密度对抗适应的新型对抗学习方法 CODA，可用于应对不同尺度和密度分布的目标计数，实验证明该网络在处理不同场景的数据集时优于现有的计算适应模型，并且在目标数据集上与最先进的有监督模型性能相当。

Mar, 2019