领域自适应物体检测的联合分布对齐:通过对抗学习实现
通过引入条件对抗学习,基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本,在图像级别和实例级别逐步实现吸收知识,显著优于现有方法。
Feb, 2021
本文提出了一种在无需访问源数据的条件下,采用对比损失和实例关系图来增强目标表示并将源训练的物体探测器适应于目标域的训练策略;通过多个实验数据集证明,该方法优于先前的最先进的领域自适应检测方法。
Mar, 2022
本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法,以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。
Oct, 2021
我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架,称为 STAL3D,通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势,并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块,有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上,我们的 STAL3D 实现了最先进的性能,甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。
Jun, 2024
本论文提出了一种基于 OADA 的新型域自适应物体检测算法,通过考虑边界框偏移的特征条件化方法,解决了特征分布因物体种类和边界框偏移值而异的问题,并在实验中取得了最新颖的性能。
Jul, 2022
该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法,进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题,并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。
Dec, 2019
本文提出一种新的无监督领域自适应模型,通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题,同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法,通过实验证明了本方法的鲁棒性和优越性。
Sep, 2018
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019
我们提出了 US-DAF 方法来解决通用域自适应目标检测中的负迁移问题,提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现:1)设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2)引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明,US-DAF 方法在三种场景下均达到了最先进的结果,并在 Clipart1k 和 Watercolor 基准数据集上获得了 7.1%和 5.9%的相对改进。
Jul, 2022