ECCVSep, 2021

TACS: 基于分类适应的跨领域语义分割

PDF
TL;DR提出了更普适的交叉领域语义分割问题（TACS），该问题允许两个域之间的标签存在不一致性，并引入一种同时解决图像级和标签级适应性的方法，即采用双边混合采样策略增强目标域并使用标签重标记方法统一标签空间，同时提供一种基于对比学习的不确定性校正方法以减少域差异。大量实验结果表明该方法优于现有最优解，且能够适应目标分类学。
domain adaptationsemantic segmentationtaxonomylabel-level domain adaptationimage-level domain gap
发现论文，激发创造
  • DACS: 基于跨域混合采样的领域自适应

    使用 DACs 方法，混合源领域的标签数据和目标领域的伪标签数据进行训练可以有效地解决基于卷积神经网络的语义分割模型在新领域上通用性不佳的问题。

    Jul, 2020

  • TACIT: 一个目标不可知特征解缠框架用于跨领域文本分类

    提出了一种名为 TACIT 的目标域不可知特征分解框架，通过变分自动编码器自适应解耦强韧特征和非强韧特征，并设计了一项特征蒸馏任务来促使非强韧特征逼近教师模型输出，实验证明仅利用源领域数据时，我们的框架实现了与最先进基线方法相当的结果。

    Dec, 2023

  • 基于分类结构的领域自适应

    本文提出了一种新的基于分类树的域自适应方法，在经过实验检验后发现，与传统方法相比，在分类效果上有了很大的提升。

    Jun, 2023

  • 可转移的领域自适应语义增强

    本文介绍了一种新的领域自适应方法，即 Transferable Semantic Augmentation (TSA)，该方法通过隐式地生成目标语义，提高分类器适应能力，来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进行源特征的数据增强，该方法可轻松接入各种领域适应方法，取得了显著的改进效果。

    Mar, 2021

  • 领域自适应语义分割的跨域分组和对齐

    本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

    Dec, 2020

  • 基于语义分布感知的语义分割对比自适应

    该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。

    May, 2021

  • 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

  • 聚类到适应：在不同标签之间进行语义分割的少样本领域自适应

    本研究提出了一种聚类适配方法 Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。

    Aug, 2022

  • 基于优化轨迹提纯的医学图像领域自适应分类

    我们提出了优化轨迹蒸馏，这是一种统一的方法，从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估，结果证明了其在临床和开放世界中的显著效果和改进。

    Jul, 2023

  • 语义分割中的上下文感知域自适应

    本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

    Mar, 2020