利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。
Jul, 2019
我们首次提出了开放式复合域适应(OCDA),明确考虑组织病理学领域内的异质性,并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示,以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。
Jan, 2024
本文提出了一种跨域弱监督目标检测的框架,通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调,取得了 5 到 20 个百分点的均值平均精度改进。
Mar, 2018
在跨领域检索中,我们提出了一种简单的解决方案,通过图像之间的保留类别的翻译,在不共享训练数据的情况下生成合成数据,从而提高跨领域检索模型的准确性。
Dec, 2023
通过将图像表示分为两个子空间:一个是每个领域的私有特征,一个是跨领域共享的特征,我们开发的一种新型架构不仅可以让模型在源领域中执行任务,还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平,还能输出私有和共享表示的可视化结果,从而能够解释领域适应过程。
Aug, 2016
利用预训练的跨域远程监督来降低过拟合,使用锚定策略以鼓励不同程度的真实感,实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。
Apr, 2021
本文探讨无监督的跨域图像检索任务,提出了基于类簇对比学习和距离 - 距离损失的方法,无需外部监督,在 Office-Home 和 DomainNet 数据集上实验结果表明,我们的方法优于现有最先进方法。
Jul, 2022
本篇论文介绍一种多任务架构的目标检测算法,利用一次性适应的方法,自动适应不同的域,无需访问大量的目标数据,其中利用自监督任务和伪标签方法加强了适应,对比最新的跨域检测方法,研究结果显示该方法有优势,是 one-shot 情况下的最佳方法。
May, 2020
本文提出了一种基于无监督域自适应和深度聚类的方法,利用来自多个源域的数据信息建立一个与具体域无关的聚类模型,并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息,并在多个域自适应基准测试中取得了最先进的结果。
Aug, 2020
本文提出了一种端到端的体系结构,可以在没有标签的情况下匹配跨域图像并通过异常检测处理非重叠域,该体系结构利用域自适应和三元组约束来训练一个网络,该网络能够学习域不变和身份可区分的表示,并使用熵损失和我们提出的加权 MK-MMD 迭代地检测异常值。在 Office [17] 数据集和我们提出的数据集 Shape、Pitts-CycleGAN 上的广泛实验证据表明,该方法在不同的基准测试中具有最先进的跨域图像匹配和异常检测性能。
Sep, 2019