IJCAIMay, 2023

基于流型的自学习方法，用于无监督领域自适应中的 6D 物体姿态回归

PDF
TL;DR本文通过在目标空间的离散化锚点类别的粗分类的全局特征对齐和局部细化来弥合合成数据和实际数据之间视觉回归（例如六维姿态估计）中的领域差距，使其对领域不变表示学习施加了分段目标流形正则化。此外，本方法还将统一的隐式神经函数学习应用于估计目标相对方向和距离的回归任务中，以改善目标分类预测，实验表明，在三个公开基准测试中，​​本文方法在相对于最先进的 UDA 6D 姿势估计方法表现出了卓越的性能。
domain gapvisual regressionself-supervised manifold regularizationimplicit neural functions6d pose estimation
发现论文，激发创造
  • 基于判别流形嵌入和对齐的无监督领域自适应

    该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

    Feb, 2020

  • 判别式流形传播的无监督域适应

    提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

    Aug, 2020

  • 通过结构约束对自我训练进行规范化，用于无监督领域自适应

    该研究提出一种基于深度信息的结构性正则化方法，将物体对比约束融入传统的自学习目标中，通过 RGB 图像和深度图像的多模态聚类，实现对真实物体的一致性提取。在多个无监督领域自适应测试中，改进的方法在语义分割方面取得了显著效果提升。

    Apr, 2023

  • 通过类中心匹配和局部流形自学实现领域自适应

    本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

    Mar, 2020

  • 基于流形嵌入分布对齐的视觉领域自适应

    该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

    Jul, 2018

  • 无源、仅图像的无监督领域适应用于类别水平的物体姿态估计

    3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。

    Jan, 2024

  • 任务判别的领域对齐方法用于无监督领域自适应

    本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

    Sep, 2019

  • 面向几何感知的领域自适应方法用于词嵌入无监督对齐

    提出了一种基于流形的几何学方法，用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化，并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明，该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法，尤其对于远程语言对的性能改进更为显著。

    Apr, 2020

  • 自我监督下的无监督领域自适应

    本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

    Sep, 2019

  • 面向无监督领域自适应的几何感知自训练方法

    本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

    Aug, 2021