CVPRMar, 2023

2PCNet: 为日夜无监督领域自适应物体检测训练开发的二阶段一致性训练

PDF
TL;DR该论文提出了一种名为 2PCNet 的两阶段一致性无监督领域自适应网络和一个针对夜晚图像的增强管道 NightAug，旨在解决夜晚目标检测困难的问题，经实验证明，其结果比现有技术高出 20％。
object detectionnight imagesunsupervised domain adaptationtwo-phase consistency networknight-specific augmentation
发现论文，激发创造
  • 合作学习：夜间物体检测中的无监督领域自适应导航

    CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.

    Apr, 2024

  • DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

    本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。

    Apr, 2021

  • 利用零样本日夜领域自适应提升物体检测

    通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

    Dec, 2023

  • 具有物理先验的零样本白天 - 黑夜领域自适应

    本文探讨了零样本学习的情景在域适应中的应用，通过利用基于物理反射模型提取的视觉归纳先验减少了在测试集中获取相关数据的代价和困难，使用可训练的卷积神经网络将色不变边缘检测器作为图层，证明了色不变图层减少了网络中特征映射激活的昼夜分布偏移，并在多个任务中展示了零样本昼夜域适应的提高。

    Aug, 2021

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023

  • PseCo: 半监督目标检测的伪标注和一致性训练

    本文深入研究了半监督目标检测（SSOD）中的两个关键技术，即伪标记和一致性训练，并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中，我们的方法 PseCo 在 1％、5％和 10％标记比下的性能分别超过了 Soft Teacher 的 2.0，1.8 和 2.0 个点，且 SSOD 的学习效率显着提高。

    Mar, 2022

  • 多层次一致性无监督领域自适应三维检测

    利用 MLC-Net 框架中的教师 - 学生范式生成自适应和可靠的伪目标，实现深度学习在 3D 物体检测领域可快速交叉域匹配。

    Jul, 2021

  • 利用持续对比学习在黑暗中观测物体

    该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

    Dec, 2021

  • 跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

    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

  • 自我监督单目深度估计在低光环境中：向数据分布补偿迈进

    本文提出了一种自监督的夜间单目深度估计方法，不使用夜间图像进行训练，而是利用日间图像作为稳定的自监督信号，并应用物理先验来弥补昼夜差异，通过对昼夜数据分布的补偿，实现高效的单阶段自监督训练。实验结果表明，与现有方法相比，我们的方法在具有挑战性的 nuScenes-Night 和 RobotCar-Night 数据集上取得了领先的深度估计结果。

    Apr, 2024