CVPRMar, 2022

面向任务的一致性对齐：领域自适应目标检测

PDF
TL;DR本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。
domain shiftobject detectiontask-specific inconsistency alignmentauxiliary predictorsloss functions
发现论文，激发创造
  • ToAlign: 面向任务的无监督领域自适应对齐

    本文提出了一种名为 ToAlign 的有效的无监督领域适应方法，该方法通过性能指导的特征分解和对齐，在源域和目标域之间实现了任务导向的对齐来实现最优解。

    Jun, 2021

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023

  • DUA-DA：基于蒸馏的无偏领域自适应目标检测

    提出了基于蒸馏的无偏对齐 (Distillation-based Unbiased Alignment, DUA) 框架及目标相关对象定位网络 (Target-Relevant Object Localization Network, TROLN)，解决了领域自适应目标检测中源偏差和领域转移问题，通过蒸馏方式调整源特征位置，利用目标相关知识生成无需分类的两个度量指标 (IoU 和 centerness)，并采用领域感知的一致性增强策略 (DCE) 进一步改善分类一致性和定位准确性，在跨领域情景中显著提升性能，超过已有基于对齐的方法。

    Nov, 2023

  • 任务判别的领域对齐方法用于无监督领域自适应

    本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

    Sep, 2019

  • MetaAlign: 无监督领域自适应中的领域对齐和分类协调

    本文介绍了一个基于元学习的有效优化策略 MetaAlign，以协调域对齐任务和分类任务的目标函数的不一致性，实现在元训练和元测试中同时优化域对齐和分类任务的最大化，从而提高了无监督领域自适应问题的性能。

    Mar, 2021

  • 自训练与对抗学习相互合作：领域自适应目标检测

    本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法，以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。

    Oct, 2021

  • 基于实例级别相似度的无监督域自适应迁移学习

    本研究提出一种基于实例相似度和分类内聚性和分类分离性的目标域适应策略 (ILA-DA)，其使用多样本对比损失函数来驱动领域对齐过程，在多种基准数据集上实现明显的准确率提高。

    Apr, 2021

  • 仅 DIAL: 用于无监督领域适应的域对齐层

    本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

    Feb, 2017

  • 测试时间自适应的特征对齐和统一性

    该研究探讨了测试时间自适应的方法，使用特征修正、自我蒸馏以及空间本地化聚类等技术，提高了医学图像分割任务的性能，进一步提高了现有测试时间适应方法的性能表现。

    Mar, 2023

  • 基于图诱导原型对齐的跨域检测

    通过图形感知原型对齐（GPA）框架和加权对比损失最小化类不平衡，结合 Faster R-CNN 的特征对齐方式，可实现目标探测跨域适应。

    Mar, 2020