我们提出了一种简单直接的方法来减小不同领域之间的差异,该方法无需进行额外的参数计算,并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域,该模型在决策过程中优先考虑目标领域的风格,在图像级别和浅层特征图级别上解决了该问题,并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升,比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能,mIoU 为 76.93%,比先前最先进结果改善了 1.03 个百分点。
Apr, 2024
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
本文研究了无监督领域自适应的方法,使用神经网络学习表示来预测重要特征的子集,并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。
May, 2019
本文提出了一种新的深度学习架构,通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题,在公共基准测试中表现优于现有的方法。
Mar, 2021
本研究通过在源域和目标域约束特征,提出一种简单高效的无监督域自适应方法,即使用无领域先验 (DAP) 正则化交叉域表示学习,这种方法在将综合数据转移到真实数据的标准评估协议中,表现出优秀的语义分割准确性,对于提高模型的分类表现具有指导意义。
Apr, 2022
提出一种新颖的领域自适应扩散(DAD)模块和互学习策略(MLS),通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习,成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力,从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。
Aug, 2023
该工作提出了一种统一的深度感知无监督域自适应框架,通过在源领域中利用密集深度的多种补充方式,最大限度地利用了这种特权信息来训练 UDA 模型,从而提高了目标领域上训练的语义分割模型的性能,并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。
Apr, 2019
本研究提出了基于深度聚类、领域对抗学习、自监督学习和样本选择策略的 AVATAR 算法,解决了复杂领域自适应任务中的领域差异和样本噪声问题,实验结果表明其在三个领域自适应基准任务上均优于现有算法。
Apr, 2023
提出了一个两阶段训练策略来实现领域自适应的稳健性,第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力,第二阶段提出了一种新的稳健伪标签和伪边界方法,有效利用无标签目标数据生成伪标签和伪边界,实现模型的自适应,无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。
Oct, 2023
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020