CVPRApr, 2022

多源域自适应物体检测中的目标相关知识保留

PDF
TL;DR本文提出了一种名为 TRKP 的方法，采用教师 - 学生框架，构建多头教师网络来从标记的源域中提取知识并指导学生网络在未标记的目标域中学习探测器，解决了多源领域适应这一泛化性任务的问题。实验结果表明，该方法有效降低了目标域的领域偏移，提高了检测准确率。
domain adaptive object detectionmulti-source domain adaptationteacher-student frameworktarget-relevant knowledge preservationadversarial multi-source disentanglement
发现论文，激发创造
  • 具备提示微调的领域感知检测头

    提出了一种名为 DA-Pro 的新型 DAOD 框架，将可学习的域适应提示应用于生成每个域的动态检测头，以从每个域中学习辨别探测器，以提高域自适应目标检测效果。

    Jun, 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

  • 目标检测中的域通用化

    本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

    Mar, 2022

  • 面向嘈杂标注下的鲁棒自适应目标检测

    本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

    Apr, 2022

  • 无源领域自适应遥感图像物体检测

    该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

    Jan, 2024

  • 人脸反翻拍的双教师知识蒸馏与领域对齐

    本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。

    Jan, 2024

  • 知识蒸馏实现的无监督多目标域自适应

    本文提出了一种新的无监督多目标域自适应方法，通过多教师知识蒸馏来训练 CNN，使其可以在多个目标领域上广义化。该方法通过逐步蒸馏目标域知识到一个共同的学生无直接学习域适应特征，同时保留每个目标（教师）的特异性以适应学生，通过在多项具有挑战性的 UDA 基准测试上的实证结果表明，我们提出的模型可以在多个目标域上提供较高水平的准确性。

    Jul, 2020

  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

    Nov, 2021

  • 通过不对称三向 Faster-RCNN 实现域自适应目标检测

    提出一种基于不对称三路 Faster-RCNN 和辅助网络的非监督域自适应目标检测方法，在保证安全性的同时提高了区别性并在多个数据集上达到 SOTA 性能。

    Jul, 2020

  • 基于目标导向领域增强的半监督领域适应用于 3D 物体检测

    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