Jan, 2023

无源目标检测的对抗性对齐

PDF
TL;DR本文提出了一种基于生成伪标签和对抗学习技术的无源目标检测方法，将目标域划分为相似子集和不相似子集，并通过平均教师框架中的对抗模块来提高伪标签的质量，实验表明该方法在跨域目标检测方面表现优异。
source-free object detectionpseudo labeladversarial learningmean teacher frameworkcross-domain object detection
发现论文，激发创造
  • 无源领域自适应遥感图像物体检测

    该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

    Jan, 2024

  • 无监督域自适应目标检测的免费午餐：无需源数据

    通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

    Dec, 2020

  • 利用低置信度伪标签进行无源目标检测

    我们提出了一种新的方法来充分利用伪标签，通过引入高和低置信度阈值，使用 Proposal Soft Training (PST) 和 Local Spatial Contrastive Learning (LSCL) 模块来利用低置信度的伪标签，进一步优化了代表性特征。实验证明，我们的方法在五个跨领域目标检测基准上表现优于以前的 Source-free object detection (SFOD) 方法，实现了最先进的性能。

    Oct, 2023

  • SF-FSDA: 高效标记数据工厂的无源少样本域自适应目标检测

    本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。

    Jun, 2023

  • CLIP 引导的无源目标检测在航空图像中

    我们提出了一种新颖的无源物体检测（SFOD）方法，利用对比式语言 - 图像预训练（CLIP）引导生成伪标签进行自我训练，以实现在领域适应中的准确学习。实验结果表明，我们的方法优于其他比较算法。

    Jan, 2024

  • 面向恶劣图像条件下的视频目标检测的无源域适应

    我们提出了一种用于视频目标检测的简单而有效的无源域自适应方法，STAR-MT。通过改进 YOLOV 方法，在包括噪声、气流湍流和雾霾等恶劣图像条件下，我们的方法始终提高了视频目标检测性能，展示了其在现实世界应用中的潜力。

    Apr, 2024

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 领域自适应物体检测的联合分布对齐：通过对抗学习实现

    本文提出了一个联合自适应检测框架 (JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中 - state-of-the-art 性能。

    Sep, 2021

  • 由视觉和视觉语言预训练引导的无源域自适应

    灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的 SFDA 方法。

    May, 2024

  • 通过无监督数据获得改进的在线无源领域自适应的目标检测方法

    移动机器人中的目标检测的有效性受到多样和陌生环境的挑战。本文通过无监督数据采集引入一种增强移动机器人中自适应目标检测的新方法，该方法以在线无源域自适应为基础，通过优先选择最具信息量的未标记样本来改进检测性能，并经过实证评估，结果显示我们的方法优于现有最先进的方法，证明了无监督数据采集在提高移动机器人自适应目标检测方面的可行性。

    Oct, 2023