Sep, 2021

WEDGE: 基于 Web 图像辅助的领域泛化语义分割

HTML
PDF
TL;DR本文提出了一个 WEb-image assisted Domain GEneralization(WEDGE) 方案，利用网络爬取的数据集进行语义分割的域泛化，将网络爬取的数据代表的样式表达引入源域，通过有效训练使网络经历不同风格的图像，通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力，并通过广泛的实验表明，该方法明显优于现有的域泛化技术。
发现论文，激发创造
  • 面向目标的规范化通用模型无关语义分割

    本文提出了一种新颖的域泛化框架，通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力，从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明，该方法在多个基准细分数据集上都取得了最新的前沿成果。

    Mar, 2020

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • 语义感知领域通用分割

    本文提出一种框架，包括两个新模块：Semantic-Aware Normalization（SAN）和Semantic-Aware Whitening（SAW），用于域通用语义分割，该模型训练为域不变而不使用任何目标域数据，并且验证结果显示，该模型在各种backbone网络上均优于现有的最先进性能。

    Apr, 2022

  • WildNet：从野外学习领域通用的语义分割

    本文提出了一种新的领域通用语义分割网络WildNet，该网络通过利用来自野外的各种内容和样式来学习领域通用特征，通过源域的内容和样式的多样性，提高对未知目标域的泛化能力，取得了显著的性能提升。

    Apr, 2022

  • 记忆定位：学习语义分割泛化

    该论文提出了一种基于元学习框架的新型记忆引导域泛化方法，该方法抽象了语义类别的概念知识，并通过训练多次来学习如何记忆无域和不同的类别信息，并提供外部固定的记忆作为类别指导，以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验，证明了我们的方法在各种基准上具有卓越的泛化能力。

    Apr, 2022

  • 领域泛化语义分割的自适应风格调制

    通过引入能够调节图像风格强度的模块 $ASH_{+}$，并且提出了一种平衡元素和通道的图像风格化的参数，本研究旨在解决对于语义分割任务领域泛化的问题，并在公共基准语义分割数据集上对模型进行了测试，结果表明该方法与最先进的方法具有相似的竞争力。

    Apr, 2023

  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 语言引导的领域通用分割的简单方法

    通过利用语言作为随机化的源，在语义分割网络中引入简单的框架来实现泛化。通过最小化微调、语言驱动的局部样式增强和在训练过程中混合源和增强样式的随机化三个关键要素，我们进行了大量实验，在各种泛化基准测试中取得了最先进的结果。

    Nov, 2023

  • 基于扩散的域延伸用于通用语义分割的泛化方法

    通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。

    Dec, 2023