GeoNet: 评测跨地理区域的无监督适应性
GeoNet 是一个最近提出的领域适应基准测试,它包含三个挑战(即 GeoUniDA,GeoImNet 和 GeoPlaces)。我们的解决方案采用了两阶段的无源领域适应框架,使用 Swin Transformer 骨干网络实现了从美国(源)领域到亚洲(目标)领域的知识转移。我们的方法在 GeoUniDA 挑战中取得了 74.56%的 H 分数,最终排名第一。在 GeoImNet 和 GeoPlaces 挑战中,我们的解决方案也分别达到了 64.46%和 51.23%的前三准确率。
Nov, 2023
研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题,发现标准适应方法不足以解决当前的挑战,需要专业的地理适应解决方案。
Apr, 2022
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
在基于深度学习的 LiDAR 地点识别方法中,当训练和测试数据集的分布发生变化时性能显著降低,常常需要重新训练以达到最佳性能。为了解决这个问题,我们提出了 GeoAdapt,它引入了一种新颖的辅助分类头部,以自监督的方式为新环境上的重新训练生成伪标签。GeoAdapt 利用几何一致性优先原则改进了我们生成的伪标签在领域漂移下的鲁棒性,提高了我们的测试时间自适应方法的性能和可靠性。全面的实验证明,GeoAdapt 显著提升了中度到严重领域漂移下的地点识别性能,并且与完全监督的测试时间自适应方法具有竞争力。我们的代码将在此 https URL 上提供。
Aug, 2023
本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用,揭示了独特的挑战并提出了解决方案,以解决机器学习在遥感中受到有标签数据瓶颈的困扰。
Jul, 2021
本文提出了一种针对机器人操作中暴露的变化性的视觉基准测试方法,它包括一个新的针对机器人拼装任务的数据集,一个在线适应算法,以及对这些算法的基准测试,这将有助于评估机器人视觉识别算法的泛化能力与鲁棒性。
Jul, 2018
通过引入新的无监督跨视图适应学习方法,我们解决了语义场景理解中不同摄像头视角的几何结构变化建模问题,并在不同跨视图适应基准上证明了我们方法在跨视图建模方面的有效性,与之前的无监督领域适应和开放词汇语义分割方法相比,实现了最先进的性能。
Jun, 2024
通过对全球家庭物品的两个数据集进行广泛的实证评估,我们首先确定了标准基准和现实世界地理转变之间的进展差距,接着通过测量不同地区性能的差异,研究了模型在地理上的泛化能力,并发现了地理差异的增加是传统基准进展的副作用。最后,我们强调了在更具代表性的数据上重新训练简单的最后一层如何作为未来工作的有希望的方向,使得两个基准测试的地理差异减少了三分之二以上。
Jul, 2023
本文提出了一种基于聚类的领域自适应方法,通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征,经过广泛的实验,证明了该方法在面部识别任务方面具有先进性能。
May, 2022
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021