ADAS: 面向多目标域自适应语义分割的直接适应策略
D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.
Feb, 2022
本文提出一种新的多源领域自适应 (MDA) 框架,通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战,并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验,证明 MADAN 和 MANDA + 模型的优越性。
Feb, 2020
本文提出了一种多源领域自适应的新型框架 MADAN,其中包括通过动态语义一致性生成每个源的适应域,通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合,以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明,MADAN 模型优于现有的最先进方法.
Oct, 2019
提出了一种名为 D3GU 的多目标主动域自适应框架,通过应用分解的域判别 (D3) 和梯度效用 (GU) 分数,实现源 - 目标和目标 - 目标域的对齐,同时还结合了 K 均值聚类进行样本选择,通过广泛实验证明 D3GU 在多目标主动域自适应方面具有一致优越的性能。
Jan, 2024
多目标域自适应(MTDA)的研究挑战在于多个具有不同分布的目标域。本文提出了一种以单个教师架构为基础的 MTDA 框架,通过动态循环处理多个目标域,并利用 Fisher 信息来最小化对前面目标域知识的遗忘。同时,我们还提出了一种针对多目标域的上下文引导的类别混合技术(CGMix)。在四个城市驾驶数据集(GTA5、Cityscapes、IDD 和 Mapillary)上的实证评估表明,我们的方法优于现有的最先进方法。
Mar, 2024
该研究提出了一种基于 APAT 和自我培训的条件引导适应框架,能够有效地推理出目标域中的多模态特征,从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明,该方法(DCAA)在目标域的天气变化等复杂情景下,相比基线和现有方法有着显著的优越之处。
Dec, 2020
本文提出一种多重对抗领域自适应方法 (MADA),能够捕获多模态结构,利用多个领域判别器实现不同数据分布的精细对齐,利用随机梯度下降计算梯度,证据表明该模型在标准领域自适应数据集上优于现有最先进方法。
Sep, 2018
提出了一种自适应网络方法,通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题,本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进,验证了方法的可行性并得到了广泛应用
Jul, 2020
这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法,名为目标导向域增强 (TODA),它有效利用了所有可用的数据,包括源领域中的标记数据以及目标领域中的标记数据和未标记数据,以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略,TODA 在困难的域适应任务中表现出显著的优势。
Jun, 2024