MIC: 用于上下文增强领域自适应的遮蔽图像一致性方法

CVPRDec, 2022

MIC: 用于上下文增强领域自适应的遮蔽图像一致性方法

MIC: Masked Image Consistency for Context-Enhanced Domain Adaptation

Lukas Hoyer, Dengxin Dai, Haoran Wang, Luc Van Gool

TL;DR本文提出了一种新的被称为 Masked Image Consistency (MIC) 的模块，用于提高无监督域适应（UDA）的性能，它通过学习目标域中的空间上下文关系作为强健视觉识别的附加线索来加强 UDA。该方法可用于不同的视觉识别任务，如图像分类，语义分割和对象检测，在合成到真实、日间到夜间、以及清晰到逆境天气的 UDA 中，显著提高了最新技术的表现。

Abstract

In unsupervised domain adaptation (UDA), a model trained on source data (e.g. synthetic) is adapted to target data (e.g. real-world) without access to target annotation. Most previous UDA methods struggle with classes that have a similar visual appearance on the target domain as no gro

unsupervised domain adaptation masked image consistency visual recognition synthetic-to-real semantic segmentation

发现论文，激发创造

面向领域自适应语义分割的上下文感知混合技术

本文提出一种新的上下文感知混合框架（CAMix），用于域自适应语义分割，通过引入上下文相关性作为显式先验知识，以完全端到端的可训练方式增强了对目标域的适应性，并在三个不同的水平上引导上下文感知域组合。

Aug, 2021

跨域语义分割的不确定性感知一致性正则化

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

领域自适应的一致性正则化

本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

Aug, 2022

基于循环一致性和特征对齐的移动语义分割无监督领域自适应

本研究提出了一种基于无监督域自适应（UDA）策略的语义分割方法，该方法利用对抗性模型实现了合成域和真实域之间的映射，利用 MobileNet-v2 架构实现了语义分割，并在特征级别增加了两个辨别器以提高性能。经实验证明，该方法能够在将分割网络训练为适应于真实世界场景时取得优异的性能。

Jan, 2020

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

带有屏蔽预训练和协作自训练的无监督视频领域适应

本研究解决了视频动作识别中的无监督领域适应问题。我们的方法称为 UNITE，利用图像教师模型将视频学生模型适应到目标域。UNITE 首先使用自监督预训练来促进目标域视频的辨别性特征学习，使用教师引导的遮蔽蒸馏目标进行自训练。然后，我们使用视频学生模型和图像教师模型一起对目标数据进行遮蔽自训练，生成改进的伪标签来处理无标签目标视频。我们的自训练过程成功地利用了两个模型的优势，在不同领域之间实现了强大的迁移性能。我们在多个视频领域适应基准上评估了我们的方法，并观察到比以前报告的结果有显著提高。

Dec, 2023

ECAP：基于大规模剪切粘贴增强的无监督域自适应语义分割

在此篇研究论文中，我们提出一种名为 ECAP 的广泛剪切和粘贴策略，通过数据增强来利用可靠的伪标签，从而在无监督领域适应语义分割任务中提高性能。

Mar, 2024

T-UDA：序列点云中的时态无监督领域适应

通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为 T-UDA（时间 UDA），该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。

Sep, 2023

基于全景领域自适应和任务加权的显微镜图像无监督实例分割

本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的域适应，实验结果表明，该方法在三个数据集上优于最先进的无监督域自适应方法，同时表现出类似于完全监督方法的性能。

May, 2020