ECCVJul, 2022

PointFix：学习修复域偏差以实现鲁棒的在线立体自适应

PDF
TL;DR本文提出了一种名为 PointFix 的元学习框架辅助点选择网络方法，用于在线立体自适应，旨在解决环境变化和动态物体等问题，实验表明该方法在短期，中期和长期数据适配下均取得了最先进的性能。
online stereo adaptationdomain shift problemauxiliary point-selective networkmeta-learning frameworkstate-of-the-art performance
发现论文，激发创造
  • 学习如何为立体感应适应

    介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

    Apr, 2019

  • 基于元学习的在线自适应立体深度估计

    本文提出了一种基于在线元学习的深度学习网络在线自适应方法来解决立体深度估计的在线自适应问题，并在 KITTI 数据集上进行了实验，其性能可以与基于批处理训练的最先进算法相媲美。

    Apr, 2019

  • Zoom and Learn: 将深度立体匹配推广到新领域

    本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

    Mar, 2018

  • 实时自适应深度立体匹配

    通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

    Oct, 2018

  • 深度立体视觉的持续适应

    提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

    Jul, 2020

  • 结构光系统中用于动态场景的在线自适应视差估计

    深度神经网络在单目结构光系统中的密集视差估计方面取得了显著进展，但在未知环境中应用时性能显著下降。为了解决这个问题，提出了自监督在线适应作为解决方案来弥合这种性能差距。本文提出了一种基于长序列输入的无监督损失函数，确保更好的梯度方向和更快的收敛。我们的损失函数是使用多帧模式流设计的，该流由序列中的投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法估计稀疏伪地面真实性，它引导了在线适应过程。我们提出的框架显著提高了在线适应速度，并在未知数据上取得了卓越的性能。

    Oct, 2023

  • 域不变立体匹配网络

    本文提出了设计域不变的立体匹配网络的方法，其中使用了新颖的 “域标准化” 方法以及可训练的基于非局部图滤波器的方法，使网络能够在新的场景中泛化，并在实验中得到了显著提高。

    Nov, 2019

  • 元追踪器：快速且强韧的在线适应视觉目标追踪器

    本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

    Jan, 2018

  • 利用元学习进行点云上采样的测试时间调整

    测试时间适应性元学习方法在点云上采样中提高模型性能。

    Aug, 2023

  • 稳健的合成到真实立体匹配迁移

    在研究中，我们探索了在真实世界场景下微调立体匹配网络的方法，以保持网络对未见域的鲁棒性，并提出了一种利用真实标签和伪标签之间差异的框架来进行微调，该框架包括冻结的教师网络、指数移动平均的教师网络以及学生网络，并在多个真实世界数据集上验证了其有效性。

    Mar, 2024