Jul, 2022

对抗样式增强用于领域泛化城市场景分割

PDF
TL;DR本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。
domain generalizationsemantic segmentationadversarial style augmentationsource datareal domains
发现论文，激发创造
  • 医学图像中的域泛化复杂风格转换

    本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

    Jun, 2024

  • 领域泛化语义分割的自适应风格调制

    通过引入能够调节图像风格强度的模块 $ASH_{+}$，并且提出了一种平衡元素和通道的图像风格化的参数，本研究旨在解决对于语义分割任务领域泛化的问题，并在公共基准语义分割数据集上对模型进行了测试，结果表明该方法与最先进的方法具有相似的竞争力。

    Apr, 2023

  • 基于多领域艺术图像的任意风格转移学习

    我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

    May, 2018

  • 学习适应语义分割的结构化输出空间

    本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

    Feb, 2018

  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • 基于对抗样式挖掘的单次无监督领域自适应

    本文提出了一种新的对抗风格挖掘方法，将样式转移模块和任务特定模块相结合，通过对抗学习的方式解决一次样本不足的情况下的领域自适应问题，进而提高了领域自适应性能。

    Apr, 2020

  • AdvST: 重访单领域泛化的数据增强

    使用可学习参数的语义转换的敌对学习（AdvST）通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比，AdvST 具有竞争力且在 Digits，PACS 和 DomainNet 数据集上获得最佳的平均单域类比性能。

    Dec, 2023

  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 域风格迁移：一种强而简单的合成到真实图像域自适应基准线

    通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

    Jul, 2018

  • 利用合成数据进行学习：解决语义分割的领域偏移问题

    该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

    Nov, 2017