May, 2023

深度传导迁移学习自动目标识别

PDF
TL;DR本文提出了一种基于转导迁移学习框架和 CycleGAN 的自动目标识别算法，用于在无人车等各种图像域中识别车辆。在 DSIAC ATR 数据集上，该方法实现了明显的分类性能提升。
automatic target recognitiontransductive transfer learningcycleganmid-wave infrared imagesdsiac atr dataset
发现论文，激发创造
  • 基于对比学习和循环一致性的转导式迁移学习用于目标注释

    我们提出了一种混合对比学习和基于循环一致性的迁移转导学习方法。该方法利用两个 H-CUT 网络和两个分类器，通过循环一致性、MoNCE 和一致性损失来优化目标领域分类器，有效地注释平民和军用车辆以及舰船目标。

    Jan, 2024

  • 半监督 SAR ATR 框架中的转导辅助分割

    基于卷积神经网络的合成孔径雷达自动目标识别的半监督框架，通过辅助分割和信息残差损失的训练，利用少量标注样本和未标注样本进行训练来提高识别性能。在 MSTAR 数据集上的实验证明了该方法在少样本学习中的有效性。

    Aug, 2023

  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

    利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

    Jul, 2019

  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

    Nov, 2021

  • CDTrans: 跨领域 Transformer 方法的无监督领域自适应

    本文提出了一种基于 Transformer 的无监督领域自适应方法 CDTrans，采用双向中心感知标签算法生成准确的伪标签，采用权值共享的三支架 Transformer 框架对源 / 目标特征学习和源目标领域对齐进行自关注和交叉关注，实现了同时学习区分性领域 - 特定和领域不变表示的显式设计，实验证明该方法在公共数据集上的表现优于现有方法。

    Sep, 2021

  • TransferAttn：可传递引导的注意力是视频领域自适应的必需

    使用转换器图层作为特征编码器，将空间和时间的可传递性关系融入到注意机制中，提出了 TransferAttn 框架以适应不同骨干的跨领域知识，通过改变自注意机制为可传递性注意机制，引入 DTAB 模块来增加 ViT 的可传递性，验证了 TransferAttn 和 DTAB 在多个数据集和不同骨干下的有效性。

    Jul, 2024

  • M2M-GAN：基于生成式对抗迁移学习的人员再识别算法

    针对多相机场景下的行人再识别问题，本文提出了一种考虑多个子域之间映射关系的多对多生成对抗迁移学习方法 (M2M-GAN)，该方法首先进行图像风格的转换，然后应用转换后的图像和源域的注释信息进行监督学习，实验结果表明 M2M-GAN 方法具有很好的泛化能力和鲁棒性，且在 Market-1501, DukeMTMC-reID 和 MSMT17 数据集上均取得了良好的效果。

    Nov, 2018

  • 自动转移：学习路由可转移表示

    本文提出了一种新颖的对抗多臂赌博方法，自动学习将源表示路由到适当的目标表示，进而以有意义的方式结合这些表示以产生准确的目标模型，适用于小数据应用。

    Feb, 2022

  • ProCST: 基于渐进循环风格迁移的语义分割增强

    提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准 UDA 方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

    Apr, 2022