Aug, 2021

面向领域适应的基于区域无关检测器的密集语义增强

PDF
TL;DR该论文提出一种对域自适应物体检测领域的研究，通过引入对抗模块来加强基于单一检测器的跨域特征匹配，提高了其泛化性能和适应性，对于多种域漂移设置展现了优越的性能。
unsupervised domain adaptive object detectionregion-free detectorsinstance-level featuresadversarial modulecross-domain matching
发现论文，激发创造
  • 城市场景语义分割的弱监督对抗域适应

    本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

    Apr, 2019

  • 多源域自适应目标检测

    本研究提出了一种基于 Faster R-CNN 的统一框架 DMSN，采用分而治之的策略进行特征对齐和反神经网络的训练，实现同时提高域不变性和保持判别能力，具有很强的适应性和泛化性能。

    Jun, 2021

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 基于特征空间密度匹配的语义分割无监督域自适应

    本文提出了一种基于无监督域自适应的语义分割方法，通过核密度估计将目标数据分布匹配到源数据的特征空间中，从而减轻对目标数据进行标注的需求，提高了多地点前列腺 MRI 和组织病理学图像分割结果的可比性和优越性。

    May, 2023

  • 领域自适应快速 R-CNN 用于野外物体检测

    本文旨在提高物体检测的跨域鲁棒性，通过基于 Faster R-CNN 的两级域自适应组件来解决图像水平和实例水平的域偏移问题，实现域不变的 RPN 学习，从而提高物体检测在不同领域转移场景下的有效性。

    Mar, 2018

  • 无限制物体检测的多重对抗 Faster-RCNN

    本文提出了一种多级对抗 Faster-RCNN（MAF）框架，用于在非受限环境中利用从具有足够标签的辅助源域训练的领域知识检测对象，其中包括多个对抗域分类器亚模块、信息不变的尺度降低模块（SRM）以及加权梯度翻转层（WGRL）等，实验结果表明，MAF 在 Cityscapes，KITTI，Sim10k 等非受限任务中的表现优于现有检测器。

    Jul, 2019

  • 基于语义引导的特征对齐的目标检测半监督域泛化

    本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

    Sep, 2023

  • Few-shot 自适应 Faster R-CNN

    提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

    Mar, 2019

  • 基于混合类别分布度量的语义一致性特征对齐目标检测模型

    该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。

    Jun, 2022

  • 多粒度对齐领域自适应物体检测

    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