基于源域内样式增强的领域泛化方法
提出了一种基于样本图像的风格合成流程,以改进语义分割中的域泛化,并通过掩蔽噪声编码器用于 StyleGAN2 的翻转来实现,进一步提高了培训数据的多样性,结果在不同类型的数据偏移下实现了 '12.4%' 的 mIoU 改进。
Jul, 2023
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
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。
Jul, 2022
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
本文介绍了一种基于生成对抗网络的数据增强方法,可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明,该方法在领域自适应上表现出优异的性能。
Feb, 2020
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
为了解决深度学习模型在未知目标域中的语义分割性能下降的问题,本研究提出了一种名为 BlindNet 的新型域泛化语义分割方法,通过盲化样式且无需外部模块或数据集来提高编码器中样式的鲁棒性,同时通过协方差对齐和语义一致性对比学习来提高解码器的分割性能,实验结果表明,BlindNet 方法在语义分割中性能优越且鲁棒性强。
Mar, 2024
本文提出了一种半监督的方法 ASS 来处理域自适应问题,使用语义级别的对抗学习来提高全局和局部特征的分布一致性,从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明,使用少量的注释样本,ASS 可以显著优于目前的无监督方法,并可以通过增加目标域的注释样本克服针对源域的过度拟合.
Apr, 2020
本文提出了一种基于随机图像颜色增强和特征空间分布增强的域通用语义分割方法,通过对图像或特征进行性质适应性调整来增广数据集,从而提高模型的泛化性能。实验结果表明,该方法在现有方法中表现最佳。
Jul, 2023
本文提出一种使用模拟技术进行自动驾驶场景语义分割的方法,通过域泛化的方式进行测试并实现了高度通用性,其中使用了域随机化和金字塔一致性两种技术,实现了域不变的特征表示。经过在 GTA,SYNTHIA 到 Cityscapes,BDDS 和 Mapillary 的广泛实验,本方法在一些状态和最先进的仿真转现领域自适应方法的测试结果表明,本方法实现了有竞争力、甚至优于其他方法的结果。
Sep, 2019