条件不变的语义分割
本文提出使用有别于过往方法的对比公式来实现 CONtrastive FEaTure and pIxel alignment (CONFETI),并使用类别间跨领域信息将像素级和特征级(采用像素原型对比方法)的对齐相结合,以用于解决合成和真实世界数据集之间的领域缺口问题,在 DeepLabV2 上优于现有最先进方法。
Jun, 2023
本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法,利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集,并利用一致性正则化方法来提高语义分割任务的准确性,实验结果表明,BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。
Sep, 2020
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
本文介绍了一种基于生成对抗网络的数据增强方法,可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明,该方法在领域自适应上表现出优异的性能。
Feb, 2020
为了解决深度学习模型在未知目标域中的语义分割性能下降的问题,本研究提出了一种名为 BlindNet 的新型域泛化语义分割方法,通过盲化样式且无需外部模块或数据集来提高编码器中样式的鲁棒性,同时通过协方差对齐和语义一致性对比学习来提高解码器的分割性能,实验结果表明,BlindNet 方法在语义分割中性能优越且鲁棒性强。
Mar, 2024
本研究提出一种实用且高精度的 “领域自适应(domain adaptation)语义分割” 方法,通过数据增强,确保保持图像转换后的语义预测的一致性,在轻量级自监督框架中训练并取得了显著的精度提高。
Apr, 2021
本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题,其通过在训练过程中动态生成样式强化的图像,以有效地避免模型过度拟合于源域,并且在两个合成 - 真实语义分割基准测试数据集上进行实验,结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。
Jul, 2022
本文提出一种基于多任务架构的视觉定位方法,通过将几何和语义信息融合到多尺度的嵌入表示中,使用有效的多尺度特征鉴别器进行对抗性训练,从虚拟数据集到现实世界数据集的领域适应,以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证,结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。
Oct, 2020
本文介绍的第一种领域自适应语义分割方法,提出了一种针对像素预测问题的无监督对抗方法,该方法包括全局和类别特定的适应技术,它使用具有全卷积领域对抗学习的新型语义分割网络进行全局领域对齐,然后通过弱学习的推广进行类别特定适应,这使得从源域传递到目标域的空间布局的显式转移成为可能,本方法在多个大规模数据集上优于基线方法,包括适应各种真实城市环境、不同合成子域,从模拟到真实环境,并且在一个新的大规模仪表盘相机数据集上也具有很好的表现。
Dec, 2016