CVPRMar, 2022

夜间航空追踪的无监督领域自适应

PDF
TL;DR该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。
发现论文，激发创造
  • 面向无监督域自适应夜间语义分割的动态小物体细化

    这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

    Oct, 2023

  • SAM-DA: 基于 SAM 动态自适应方法的夜间无人机目标跟踪技术

    本研究提出了一种基于 SAM 模型的领域自适应框架 SAM-DA，用于实时夜间无人机跟踪。与 SOTA 领域适应方法相比，SAM-DA 的经济化训练方法可以通过少量的夜间图像实现更好的性能，从而促进了无人机算法的快速验证和部署。

    Jul, 2023

  • DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

    本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。

    Apr, 2021

  • 基于对抗域特征适应的夜间图像无监督单目深度估计

    本文提出一种新的域自适应方法：Adversarial Domain Feature Adaptation (ADFA)，该方法通过训练编码器生成与白天图像相似的夜间图像特征，并使用预训练的深度解码器进行深度估计。实验证明，该方法在处理夜间图像的深度估计和视觉地点识别问题上效果显著。

    Oct, 2020

  • 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

  • 跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

    利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

    Jul, 2019

  • Tracker Meets Night: 无人机跟踪的 Transformer 增强器

    提出了一种基于空间通道 Transformer 的低光增强器，通过在跟踪方法之前引入该增强器，以实现可靠的夜间 UAV 追踪，使用 DarkTrack2021 基准进一步评估该方法.

    Mar, 2023

  • 无人驾驶目标检测中基于像素和特征级别的域自适应

    本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

    Sep, 2018

  • 面向在线领域自适应目标检测

    本研究提出了一种适用于目标检测的新型统一自适应框架，可以在线适应和改进目标领域的泛化能力，并使用 MemXformer 作为记忆模块和对比损失来增强目标特定的表示学习。

    Apr, 2022

  • 环境对抗域自适应动作识别

    本文提出了一种基于领域自适应的行为识别方法，使用对抗学习在跨域场景中学习跨域动作识别，从而实现对低光条件下的人类行为进行识别，并在 InFAR 和 XD145 动作数据集上取得了 SOTA 表现。

    Oct, 2022