本文提出了一种用于针孔图像到全景图像语义分割的无源无监督域自适应（SFUDA）的新方法，该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块（PPAM），以及跨双重注意模块（CDAM），通过提取并转移知识实现域间适应。实验证明，该方法在合成和真实世界基准测试中表现显著优于现有的 SFUDA 方法。

Mar, 2024

通过无监督领域自适应方法，本文提出了一种针对全景语义分割中的畸变问题的新型方法，通过捕捉邻近像素的分布和使用记忆库来优化特征表示，从而显著提高性能并减少参数。

Aug, 2023

本文研究了针对针孔到全景语义分割的无源无监督域自适应（SFUDA）问题，通过仅有预训练的针孔图像模型（即源模型）和未标记的全景图像（即目标模型）。我们提出了一种名为 360SFUDA ++ 的方法，有效地从源针孔模型中提取知识，并将可靠的知识转移到目标全景领域。我们利用切线投影（TP）和等面积投影（ERP）分别进行知识提取，并引入了 RP2AM 和 CDAM 模块以更好地转移和对齐知识。通过在合成和真实场景的广泛实验中表明，我们的方法相较于先前的 SFUDA 方法具有显著更好的表现。

Apr, 2024

本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

Oct, 2021

本文采用领域适应的角度，针对 360 度车载相机图像的全景语义分割问题，提出了使用基于注意力机制的跨域全景语义分割框架，并公开了一个密集标注且包含有标注和无标注的全景图像数据集 DensePASS。在两个标准分割网络中使用我们的框架，相对 Mean IoU 会在 6.05% 和 11.26% 之间获得排名的提高。

Aug, 2021

利用变形补丁嵌入（DPE）和变形 MLP（DMLP），并结合传输学习方法，将针孔相机图像的语义注释和 360 度环视视觉的语义注释结合起来，从而实现全景图像的稳健分割，并通过互补原型自适应实现无监督域自适应。在 Stanford2D3D 数据集中，与完全受监督的现有技术相比，我们的 Trans4PASS 与 MPA 保持可比的性能，而无需超过 1,400 个标记化全景图像。在室外 DensePASS 数据集中，我们打破了现有技术水平，使 mIoU 提高了 14.39％，将新标准设定为 56.38％。

Mar, 2022

通过使用开放性全景分割任务，以及采用可变形适配器网络和随机全景等距投影数据增强方法，我们提出的 OOOPS 模型在三个全景数据集上均取得了令人瞩目的性能提升，特别是在野外环境 WildPASS 上达到了 + 2.2％，在室内环境 Stanford2D3D 上达到了 + 2.4％的平均交并比（mIoU）

Jul, 2024

本文提出了一种因果原型启发的对比适应方法（CPCA）来探索不同高分辨率遥感图像领域及其语义标签之间的不变因果机制，通过因果特征分解模块将因果特征和偏差特征从源域和目标域图像中解开，然后使用因果原型对比模块学习域不变的因果特征，并引入因果干预模块对偏差特征进行干预以生成反事实无偏样本，通过强制因果特征符合可分离性、不变性和干预的原则，CPCA 能够模拟源域和目标域的因果因素，并基于因果特征在目标域上做出决策，从而提高了泛化能力。在三个跨域任务的大量实验中，CPCA 明显优于现有的最先进方法。

Mar, 2024

本文提出了一种基于 Dual Soft-Paste 和平均 teacher 框架的无监督领域适应方法，利用概率对齐和特征对齐，更好地学习领域不变特征，并在两个基准测试上展示出优越性。

Jul, 2021

该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

Mar, 2024