AAAIMar, 2023

领域适应语义分割的双向领域混合

PDF
TL;DR该研究系统地研究了在领域自适应语义分割任务中应用 Mixup 的影响，并提出了一种简单而有效的混合策略 - 双向域混合（BDM），与多种最先进的自适应模型相结合，观察到了一致的显著改进。
mixupdomain adaptationsemantic segmentationbidirectional domain mixupstate-of-the-art adaptation models
发现论文，激发创造
  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • 使用 Mixup 训练改进无监督领域自适应

    本论文研究了无监督域适应问题，提出了使用 mixup 公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

    Jan, 2020

  • 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

  • 面向域泛化的语义感知混合

    该研究提出了一种基于语义的混合策略（SAM）来解决深度神经网络在遇到未知目标域时的泛化问题，在傅里叶谱的启示下，SAM 将混合策略应用于傅里叶相位和振幅信息，有效地提高了图像分类任务的准确性。

    Apr, 2023

  • 混合领域半监督医学图像分割中构建和探索中间域

    医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制 - 粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

    Apr, 2024

  • 语义分割领域自适应的双向学习

    本研究提出了一种基于双向学习和自我监督学习的域自适应语义图像分割框架，与现有技术相比，在大幅优化分割结果的同时，避免了对大规模数据集的手工标注。

    Apr, 2019

  • 语言引导的实例感知领域自适应全景分割

    提出了一种名为 LIDAPS 的新型模型，通过 IMix 策略实现了实例级的域适应，提高了全景质量，并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中取得了最先进的结果。

    Apr, 2024

  • 双向对比学习用于领域自适应语义分割

    提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

    Jul, 2022

  • 跨域混合增强的半监督域适应

    这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。

    Jan, 2024

  • TGDM: 面向跨领域少样本学习的目标引导动态混合

    介绍一种新的跨域 few-shot 学习方法，通过引入中间域和动态混合策略，缩小域差距和实现目标域的知识转移，最终通过双层元学习提高模型性能。

    Oct, 2022