Fashion CUT: 无监督领域自适应，在服装可视化模式分类中应用合成数据和伪标签

May, 2023

Fashion CUT: 无监督领域自适应，在服装可视化模式分类中应用合成数据和伪标签

Fashion CUT: Unsupervised domain adaptation for visual pattern classification in clothes using synthetic data and pseudo-labels

PDF

Enric Moreu, Alex Martinelli, Martina Naughton, Philip Kelly, Noel E. O'Connor

TL;DR本研究使用无监督领域适应技术将合成的时尚图像转化为真实世界的图像，用于训练一个无需真实世界标注数据的视觉模式分类模型，实验表明该方法优于其他无监督领域迁移算法。

Abstract

Accurate product information is critical for e-commerce stores to allow customers to browse, filter, and search for products. product data quality is affected by missing or incorrect information resulting in poor customer experience. While →

product data quality machine learning fashion image classification unsupervised domain adaptation visual pattern classification

发现论文，激发创造

无监督像素级域自适应生成对抗网络

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

使用伪标签进行域自适应

无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

Feb, 2024

域风格迁移：一种强而简单的合成到真实图像域自适应基准线

通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

Jul, 2018

城市场景语义分割中合成数据的有效使用

本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。

Jul, 2018

利用合成数据进行学习：解决语义分割的领域偏移问题

该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

用于车道检测的合成到真实领域适应

本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。

Jul, 2020

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。