Apr, 2023

无监督领域转移在科学上的应用：探索深度学习方法在不同响应模型的液体氩时投影室探测器模拟之间的翻译中的应用

PDF
TL;DR本研究基于图像转换技术提出了一种自动的无监督方法，用于减少模拟数据与实验数据之间的系统性差异，其中将 TOY 模型应用于两组 LArTPC 探测器事件样本，验证了该方法的有效性，并对其生成的数据集 SLATS 进行开源共享，提供给研究人员开展研究。
deep learningdomain shiftunsupervisedimage-to-image translationlartpc
发现论文，激发创造
  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

    Dec, 2022

  • 域随机化：从仿真到真实世界的深度神经网络转移

    探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

    Mar, 2017

  • 通过任务蒸馏进行领域适应

    使用图像识别数据集作为源域和目标域之间的桥梁，通过任务蒸馏框架，在不同仿真器之间成功地传输导航策略，并在传统领域适应基准上展现出有前途的结果。

    Aug, 2020

  • 医学影像的远距离领域迁移学习

    本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。

    Dec, 2020

  • DIRL: 面向 Sim-to-Real 转移的领域不变表示学习

    该论文提出了一个领域不变表示学习算法，能够通过拟合联合概率分布并采用对抗学习减少不同领域之间的偏移，提高基于视觉深度学习的物体识别的表现以及在真实场景中的应用。

    Nov, 2020

  • CTS：基于模拟到真实的无监督领域自适应的三维检测

    提出了一种新颖的复杂到简单框架（CTS），从有标记的仿真域（源）转移模型到无标记的实际域（目标），通过开发固定大小的锚头和 RoI 增强来提高伪标签的质量，并开发角格式表示的 Aleatoric 不确定性（AU）以统一量化伪标签质量，还基于 AU 开发了一个噪声感知的均值教师域适应方法，以及基于 AU 的对象级和帧级采样策略，以迁移噪声标签的影响，实验结果表明，我们提出的方法显著增强了三维物体检测模型的仿真到实际域适应能力，胜过了通常针对实际到实际无监督域适应任务开发的最先进跨域算法。

    Jun, 2024

  • 域整理：简化图像缓解合成 - 真实域间的转移并提高深度估计

    通过注意力模块，学习识别和去除真实图像中的困难部分，以提高合成数据训练的模型对真实图像的景深估计。

    Feb, 2020

  • 使用非配对的图像转换方式生成用于腹腔镜图像处理任务的大型标注数据集

    通过图像翻译方法，我们生成了外科镜检查图像的大量合成数据集，并展示了这样的数据集可用于训练和提高肝脏分割模型性能的可能性。

    Jul, 2019

  • 通过使用模拟数据来减少数据采集和标记以进行缺陷检测

    使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。

    Jun, 2024

  • 使用深度学习远程光电容积脉搏模型相似性测量领域转变

    通过模型相似性来衡量领域偏移的指标可用作领域偏移的度量，并且我们展示了这些指标与实际性能之间的高相关性。其中一项具有可行相关性的提议指标为 DS-diff，不需要假设对目标领域的基本事实，即可应用于自然环境数据。因此，我们研究了一个模型选择问题，在该问题中，无法获得评估领域的基本事实结果，并且相对于平均情况基准线，性能提高了 13.9%。

    Apr, 2024