Apr, 2023

EDAPS: 增强型域自适应全景分割

PDF
TL;DR本文介绍了一种全新的网络架构 EDAPS，它使用共享的、domain-robust 转换器编码器，以方便语义特征和实例特征的联合适应，但还针对域适应的语义和实例分割任务的特定要求设计了任务特定的解码器，从而显著提高了挑战性 panoptic 基准测试的性能。
autonomous industriesdomain adaptationvisual perception stackpanoptic segmentationedaps
发现论文，激发创造
  • 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

  • 跨视角规范化用于领域自适应全景分割

    本文介绍了一种基于域适应的全景分割网络，利用了样式内一致性和任务间正则化，实现了优异的全景分割表现，相关实验结果优于现有技术。

    Mar, 2021

  • 通过无监督域自适应实现超出视野的密集全景语义分割

    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

  • Ada-Segment: 自适应多损失 Panoptic 分割

    本文提出自适应分段（Ada-Segment）方法，通过自适应地调节多个培训损失，以涵盖多个目标，并以一个端到端的架构来概括性地处理分段任务，从而实现了对各种数据集的可靠泛化，成为目前的最优解。

    Dec, 2020

  • LiDAR 全景分割的无监督域自适应

    本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

    Sep, 2021

  • 城市场景语义分割的弱监督对抗域适应

    本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

    Apr, 2019

  • 基于全景领域自适应和任务加权的显微镜图像无监督实例分割

    本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的域适应，实验结果表明，该方法在三个数据集上优于最先进的无监督域自适应方法，同时表现出类似于完全监督方法的性能。

    May, 2020

  • DensePASS: 通过注意力增强的上下文交换进行密集型全景语义分割的无监督域适应

    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

  • 自训练全景分割

    通过自学习方法在合成到真实的领域适应问题设置中，开发了一个基于嵌入的自学习全景分割框架。

    Nov, 2023

  • 自动驾驶全景分割鲁棒性的基准测试

    准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

    Feb, 2024