MMJul, 2022

通用领域自适应物体检测器

PDF
TL;DR我们提出了 US-DAF 方法来解决通用域自适应目标检测中的负迁移问题，提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现：1）设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2）引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明，US-DAF 方法在三种场景下均达到了最先进的结果，并在 Clipart1k 和 Watercolor 基准数据集上获得了 7.1％和 5.9％的相对改进。
universal domain adaptive object detectionus-dafmulti-label learningscale shiftnegative transfer
发现论文，激发创造
  • 目标检测中考虑不确定性的无监督域自适应

    通过引入条件对抗学习，基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

    Feb, 2021

  • 领域自适应物体检测的联合分布对齐：通过对抗学习实现

    本文提出了一个联合自适应检测框架 (JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中 - state-of-the-art 性能。

    Sep, 2021

  • 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

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023

  • 对齐和提炼：统一和改进领域自适应目标检测

    通过引入统一的基准测试和实施框架 ALDI、公平且现代的培训与评估协议、新的 DAOD 基准数据集 CFC-DAOD 以及 ALDI++ 方法，我们提供了一个关键的重启点用于域自适应物体检测（DAOD）并为未来的研究奠定了坚实的基础。

    Mar, 2024

  • 深度域自适应目标检测：一份综述

    本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

    Feb, 2020

  • 基于实例关系图的无源域自适应目标检测

    本文提出了一种在无需访问源数据的条件下，采用对比损失和实例关系图来增强目标表示并将源训练的物体探测器适应于目标域的训练策略；通过多个实验数据集证明，该方法优于先前的最先进的领域自适应检测方法。

    Mar, 2022

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • OVANet: 一对多网络用于通用领域自适应

    本文介绍一种使用最小类间距离阈值的通用领域适应（UNDA）方法，该方法使用源样本学习该阈值并将其适应于目标领域，同时训练一种基于一对所有分类器的学习方法。

    Apr, 2021