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

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。
semantic segmentationsynthetic-to-real semantic segmentationdeep convolutional neural networkstexture randomization mechanismsdomain generalization
发现论文，激发创造
  • 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

  • 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

  • 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

  • 全局纹理增强技术用于野外人脸假冒检测

    本文探讨了虚假人脸图像的检测问题，并提出了一种名为 Gram-Net 的新架构，它利用全局图像纹理表示进行鲁棒的虚假图像检测。经过多组实验验证，Gram-Net 的效果明显优于现有方法，在检测虚假人脸方面表现出非常好的鲁棒性与泛化能力。

    Feb, 2020

  • 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

  • 结构化领域随机化：通过上下文感知的合成数据弥合现实差距

    介绍了一种结构化领域随机化方法，将对象和干扰因素随机放置并生成图像以使神经网络考虑对象周围的上下文，可通过使用合成数据来训练在真实数据上获得良好表现的 2D 边界框车辆检测神经网络。

    Oct, 2018

  • 学习纹理转换网络用于图像超分辨率

    本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

    Jun, 2020

  • 使用合成数据训练深度网络：通过域随机化缩小现实差距

    该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。

    Apr, 2018

  • 域随机化：从仿真到真实世界的深度神经网络转移

    探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

    Mar, 2017