CVPRNov, 2022

利用虚拟图像进行训练的渐进式变换学习

PDF
TL;DR通过基于无人飞行器图像的大规模数据集，采用逐渐增加虚拟图像的现实感的渐进式变换学习方法，通过 multivariate Gaussian distribution 建模来准确计算对象探测器中虚拟对象与高斯分布之间的马氏距离，以此减小牺牲精度的条件 GAN 框架在大间隔域条件下近似度的失真，从而提高在小数据和交叉域中的性能。
uav-based imagesprogressive transformation learningdomain gapobject detectorperformance
发现论文，激发创造
  • 虚拟到现实世界的视觉感知：基于领域自适应的方法（以 DPM 为例）

    在本文中，作者探讨了利用虚拟现实场景自动标注物体，再通过有监督学习以及域适应解决物体检测问题的方法， 并以汽车检测为例，研究了来自虚拟世界和真实世界的数据在物体外观及逆迁移效果上的异同。

    Dec, 2016

  • 使用虚拟图像进行物体检测器的训练和测试

    该研究在计算机视觉领域采用虚拟场景设计与自动图像生成的方法，建立了一个可用于多种计算机视觉任务的虚拟数据集 ParallelEye，并证明了将其与实际数据结合使用可以显著提高模型的性能。同时，该研究还通过测试虚拟数据集的方法发现了已训练模型的缺陷。

    Dec, 2017

  • 渐进式迁移学习

    本研究提出了一种基于 Batch-related Convolutional Cell (BConv-Cell) 的 Progressive Transfer Learning (PTL) 方法，通过收集数据集的全局信息，优化预训练的 ReID 模型，显著提高 MSMT17、Market-1501、CUHK03 和 DukeMTMC-reID 数据集上的性能和一般图像分类基准模型的性能。

    Aug, 2019

  • 使用小数据集高效训练视觉 Transformer

    本文研究使用自监督任务和少量数据进行训练的 Visual Transformer 网络的表现，并发现新的自监督任务可以在空间关系方面鼓励 VT 网络，从而显著提高其小数据集准确性。

    Jun, 2021

  • ProCST: 基于渐进循环风格迁移的语义分割增强

    提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准 UDA 方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

    Apr, 2022

  • 离散潜在角度学习用于分割和检测

    通过离散的潜在视角透视学习（DLPL）的新框架，提高机器学习和计算机视觉中对图像不同视角的理解和一致的语义解释。DLPL 包括 3 个模块：视角离散分解，视角单应性变换和视角不变注意力，通过离散化视觉特征、转换视角和融合多视角语义信息来增强网络在不同场景和任务中描绘图像的能力。

    Jun, 2024

  • VLPose: 通过语言视觉调整弥合姿势估计中的域差

    通过使用语言模型，我们提出了一种名为 VLPose 的新框架，通过语言和视觉之间的协同作用，增强传统姿势估计模型在自然和人工场景下的泛化和鲁棒性，实现了与最先进的调整策略相比，在 HumanArt 和 MSCOCO 数据集上分别提升了 2.26％和 3.74％。

    Feb, 2024

  • 道路场景分析的物理可信偏振数据增强

    本文提出使用基于深度生成模型的图像翻译技术 CycleGAN 来将大型标记路景数据集转换到极化领域，通过一些附加损失项来处理极化图像的物理约束条件，从而实现在道路场景的物体检测任务中提高汽车和行人检测的性能高达 9％的目标，该方法已经公开发布以供其他人使用。

    Jun, 2022

  • 弥合地对空图像匹配的领域差距

    本研究提出了一种基于条件 GAN 的新方法，通过合成俯视图像，将两个视图之间的差距最小化，实现了对视觉实体的跨视图建模并进行特征融合，最终在 CVUSA 数据集上成功实现了景点检索任务。

    Apr, 2019

  • 动态视觉提示调整用于参数高效的迁移学习

    参数有效的迁移学习 (PETL) 是一个新兴的研究领域，旨在将大规模预训练模型适应下游任务。我们提出了一个动态视觉提示调整框架 (DVPT)，可以为每个图像生成动态的实例级标记，以捕捉每个图像的独特视觉特征，从而更适合下游视觉任务。通过对广泛的下游识别任务进行实验，我们发现 DVPT 方法在性能上优于其他 PETL 方法，甚至在 19 个下游任务中有 17 个超越了完全微调的性能，同时保持了高参数效率。

    Sep, 2023