Jun, 2022

基于混合类别分布度量的语义一致性特征对齐目标检测模型

PDF
TL;DR该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。
unsupervised domain adaptationobject detectionfeature alignmentsemantic consistency feature alignment modelsemantic prediction models
发现论文，激发创造
  • 自相似一致性与特征辨别探索 —— 无监督域自适应

    该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

    Apr, 2019

  • 多粒度对齐领域自适应物体检测

    本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。

    Mar, 2022

  • 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

  • 领域适配的语义聚焦

    本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

    Aug, 2021

  • 跨领域少样本分类的自适应语义一致性

    通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。

    Aug, 2023

  • 基于语义分布感知的语义分割对比自适应

    该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。

    May, 2021

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 面向领域适应的基于区域无关检测器的密集语义增强

    该论文提出一种对域自适应物体检测领域的研究，通过引入对抗模块来加强基于单一检测器的跨域特征匹配，提高了其泛化性能和适应性，对于多种域漂移设置展现了优越的性能。

    Aug, 2021

  • 基于梯度剥离的堆叠补充损失，实现精确的领域自适应目标检测

    本研究提出了一种基于梯度分离的堆叠互补损失（SCL）方法，该方法使用检测损失作为主要目标，并在不同的网络阶段引入几个辅助损失以学习更具判别性的表示，用于非监督领域自适应目标检测。实验表明该方法在多个数据集上表现优异，尤其是在 Cityscapes 到 FoggyCityscapes 的领域偏移条件下具有显著增强性能，与现有方法相比平均提高了 3.6%。

    Nov, 2019

  • 跨领域目标检测的二维特征对齐

    本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。

    Nov, 2020