CVPRNov, 2021

UDA-COPE: 面向类别级目标位姿估计的无监督域自适应

PDF
TL;DR本文提出了一种无监督领域自适应方法（UDA-COPE）来实现基于类别的物体姿态估计，不需要使用目标域的姿态标签，而是使用一种带有学生 - 教师自监督学习框架的姿态估计网络进行训练，并在预测出来的归一化物体坐标空间地图和真实点云之间介绍了一个双向过滤器来提供给学生网络训练更可靠的伪标签，实验结果表明，该算法在不使用目标域 GT 标签的情况下，可以达到与基于 GT 标签的现有方法相当甚至更好的表现。
发现论文，激发创造
  • 无源、仅图像的无监督领域适应用于类别水平的物体姿态估计

    3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。

    Jan, 2024

  • TTA-COPE：类别级物体姿态估计的测试时自适应

    本研究提出了一种名为 TTA-COPE 的测试时适应方法，用于类别级别对象姿态估计，通过序列在线处理测试数据，使用自训练损失和姿态感知置信度设计姿态集合方法，无需运行时访问源域，实验结果表明该方法可以提高半监督和无监督设置下的对象姿态表现。

    Mar, 2023

  • 合作学习：夜间物体检测中的无监督领域自适应导航

    CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.

    Apr, 2024

  • 姿态监控：基于三元组选择的姿态特征无监督域适应用于步态识别

    本文提出了基于 Gait Orientation 的非监督领域适应方法，并通过三元组选择算法配合课程学习框架来实现。实验结果表明，该方法对于未知场景下的步态识别任务有着较好的性能表现。

    Jul, 2023

  • 检测、增强、组合和适应：目标检测中的四个无监督领域适应步骤

    无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过 2% mAP 的最先进性能。

    Aug, 2023

  • 无监督伪装目标分割作为领域适应

    本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

    Aug, 2023

  • 粗到精的域自适应语义分割：光度对齐和类别中心正则化

    本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

    Mar, 2021

  • 从合成到真实：用于动物姿态估计的无监督域适应

    本文提出了一种基于多尺度领域自适应模型以及一种在线粗到细的伪标签更新策略的方法来解决动物姿势估计中标签不足的问题，并在未见过的领域和未见过的动物类别上进行了广泛测试，取得了还不错的实验效果。

    Mar, 2021

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • 目标检测中考虑不确定性的无监督域自适应

    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