Aug, 2021

全局和局部纹理随机化用于合成到真实场景的语义分割

HTML
PDF
TL;DR本文提出两种简单而有效的纹理随机化机制（GTR和LTR），以用于域泛化的基于SRSS的纹理无关形式。同时，提出了一种CGL机制来协调两种机制。在使用各种SRSS设置的五个公开数据集上，实验表明该方法优于基于域泛化的SRSS的现有方法。
发现论文，激发创造
  • 面向现实的城市场景语义分割自适应技术

    该论文提出了一种面向现实的域适应方法，通过学习合成数据，结合目标引导的蒸馏和空间感知的适应方案，可以提高语义分割网络从合成到真实城市场景的泛化能力。

    Nov, 2017

  • 城市场景语义分割中合成数据的有效使用

    本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。

    Jul, 2018

  • 从合成数据中学习语义分割: 一种几何引导的输入输出适应方法

    本研究利用合成数据中的几何信息，结合图像翻译网络和任务网络，通过对抗性训练同时进行深度估计和语义分割，有效地缩小域差距，实现了跨域语义分割的重大性能提高。

    Dec, 2018

  • 领域随机化和金字塔一致性: 无需访问目标域数据的模拟到实际泛化

    本文提出一种使用模拟技术进行自动驾驶场景语义分割的方法，通过域泛化的方式进行测试并实现了高度通用性，其中使用了域随机化和金字塔一致性两种技术，实现了域不变的特征表示。经过在GTA，SYNTHIA到Cityscapes，BDDS和Mapillary的广泛实验，本方法在一些状态和最先进的仿真转现领域自适应方法的测试结果表明，本方法实现了有竞争力、甚至优于其他方法的结果。

    Sep, 2019

  • 学习纹理不变的表示以进行语义分割的领域自适应

    本文提出了一种使用风格迁移算法来多样化合成图像纹理，然后通过自训练来微调模型以适应目标域纹理的领域自适应方法，以实现更好的语义分割性能。

    Mar, 2020

  • 语义分割的预测转移与正则化

    本论文提出了一种无监督学习的预测传输正则化器(RPT)，利用语义分割的内在特性进行模型转移，从而提高模型的鲁棒性和准确性。作者还将RPT集成到对抗式分割框架中，在GTA5/SYNTHIA到Cityscapes数据集的转换中实现了历史上最好的结果：当从GTA5/SYNTHIA到Cityscapes转换时，模型的平均交并比(mIoU)分别为53.2％/51.7％。

    Jun, 2020

  • 学习统计纹理用于语义分割

    本论文提出了一种基于低级纹理特征的新型语义分割网络，称为STLNet，利用统计纹理知识，设计了一个新型的纹理增强模块和金字塔纹理特征提取模块，取得了在三个常用语义分割基准数据集上的最先进表现。

    Mar, 2021

  • 单域广义分割的自适应纹理过滤

    本文提出了一种新颖的自适应纹理过滤机制和具有结构引导增强模块的分层指导统一网络，用以学习领域-不变化的广义知识，以实现领域的普适性。在广泛使用的数据集上进行的大量实验和消融研究验证了所提出模型的有效性，并揭示了其优于其他最先进的替代品的优越性。

    Mar, 2023

  • 领域泛化语义分割的自适应风格调制

    通过引入能够调节图像风格强度的模块 $ASH_{+}$，并且提出了一种平衡元素和通道的图像风格化的参数，本研究旨在解决对于语义分割任务领域泛化的问题，并在公共基准语义分割数据集上对模型进行了测试，结果表明该方法与最先进的方法具有相似的竞争力。

    Apr, 2023

  • 语言引导的领域通用分割的简单方法

    通过利用语言作为随机化的源，在语义分割网络中引入简单的框架来实现泛化。通过最小化微调、语言驱动的局部样式增强和在训练过程中混合源和增强样式的随机化三个关键要素，我们进行了大量实验，在各种泛化基准测试中取得了最先进的结果。

    Nov, 2023