CVPRMar, 2022

SIGMA: 面向领域自适应目标检测的语义完整图匹配

PDF
TL;DR该论文提出了一种新的 DAOD 框架 SIGMA，它通过匹配图模型解决了 DAOD 中存在的语义差异和类内差异问题，实验表明该框架的检测效果优于现有的方法。
domain adaptive object detectionsemantic-complete graph matchinggraph-embedded semantic completiongraph matching problemsemantic-aware node affinity
发现论文，激发创造
  • 利用图生成提升领域自适应物体检测

    通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

    Apr, 2024

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 基于语义引导的特征对齐的目标检测半监督域泛化

    本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

    Sep, 2023

  • 正则化超图匹配的无监督领域自适应

    我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

    May, 2018

  • 具有统一多粒度对齐的鲁棒领域自适应目标检测

    该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。

    Jan, 2023

  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • 通过语义差异最小化进行无监督开放领域识别

    我们提出了一种解决无监督开放域识别问题的方法，该问题中标记源域种类是未标记的目标域的一个子集。我们设计了语义引导匹配差异来衡量源域和目标域之间的不对称标签空间的域差异，并设计了有限平衡约束来实现更平衡的分类输出。我们开发了一个联合学习的网络，通过减少 SGMD，强制执行有限平衡约束和最小化 S 上的分类损失，同时学习骨干分类网络和 GCN。我们的实验结果表明，我们的方法在识别已知和未知类别的图像时具有优越性。

    Apr, 2019

  • 在自适应目标检测中寻求相似性优于差异性：基于相似性的领域对齐

    提出了一个广义的 Unsupervised Domain Adaptation 框架，基于此直接实现了 ViSGA 算法，通过视觉相似性分组来聚合特征，并基于对抗训练进行群体对齐，并将其应用在多源数据集中，在 Sim2Real 和 Adverse Weather 数据集上取得了优于之前方法的性能。

    Oct, 2021

  • 针对域泛化的锐度感知梯度匹配

    本文提出 Sharpness-Aware Gradient Matching (SAGM) 算法，旨在通过渐进地对齐经验风险和扰动损失的梯度方向，提高模型泛化能力，并通过实验表明 SAGM 的表现优于当前 DG benchmark 中的现有方法。

    Mar, 2023

  • 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