ICCVAug, 2021

BiMaL: 在语义场景分割中的双射最大似然域自适应方法

PDF
TL;DR该研究提出了一种用于领域适应的新型 Bijective Maximum Likelihood (BiMaL) 算法及其无监督的不对齐领域分数 (Un-aligned Domain Score) 评价方法，并在实验中表现优异。
semantic segmentationun-aligned domain scorebijective maximum likelihoodadversarial entropy minimizationdomain adaptation
发现论文，激发创造
  • CoMaL: 条件极大似然方法实现在长尾语义分割的自监督领域适应

    本研究提出了一种新的自监督域适应方法来解决长尾语义分割问题，并在 “SYNTHIA 到 Cityscapes” 和 “GTA 到 Cityscapes” 等流行的大规模语义分割基准测试中表现出比之前方法更好的性能。

    Apr, 2023

  • 语义分割领域自适应的双向学习

    本研究提出了一种基于双向学习和自我监督学习的域自适应语义图像分割框架，与现有技术相比，在大幅优化分割结果的同时，避免了对大规模数据集的手工标注。

    Apr, 2019

  • 双向对比学习用于领域自适应语义分割

    提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

    Jul, 2022

  • ADVENT: 基于对抗性熵最小化的语义分割领域自适应

    本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

    Nov, 2018

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 基于交叉模态学习的三维语义分割领域自适应

    本文介绍了一种新的领域适应策略 - “交叉模态学习”，在无监督和半监督领域适应设置下，通过两种模式的相互模仿实现模态之间的一致性，在 3D 语义分割任务中证明了该方法的有效性

    Jan, 2021

  • 最大平方误差的域自适应语义分割

    本论文提出了一种基于最大平方损失的半监督无监督域自适应方法，并引入图像加权比来缓解目标域无标签数据集中的类别不平衡问题，该方法在合成到真实以及跨城市自适应实验中均取得了很好的性能。

    Sep, 2019

  • 标签驱动的域自适应语义分割重建

    该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

    Mar, 2020

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 减轻语义级别转移：一种用于语义分割的半监督域自适应方法

    本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

    Apr, 2020