Jun, 2023

通过重要性感知和原型对比学习实现无源域适应语义分割

PDF
TL;DR本文提出了一种基于 IAPC 学习的端到端无源领域适应语义分割方法，通过重视度感知机制和原型对比策略从经过训练的源模型和未标注的目标领域中学习特征，解决了在现实驾驶场景中领域转移很难处理的问题。实验结果表明，该方法在两个领域适应语义分割基准测试中优于现有的最先进方法。
domain adaptive semantic segmentationsource-free domain adaptationiapc learningprototype-contrast strategyreal-world driving scenes
发现论文，激发创造
  • 双向对比学习用于领域自适应语义分割

    提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

    Jul, 2022

  • 领域自适应语义分割无源数据

    一个基于自训练网络的语义分割框架，该框架主要包含两个部分：正样本提取和负样本提取，以及选用了启发式的互补标签选择方法。通过实验可知，该框架在广泛应用的合成到实际领域的语义分割任务上表现出了很高的性能。

    Oct, 2021

  • 泛化再适应：无需源域数据的领域自适应语义分割

    本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

    Aug, 2021

  • 基于因果原型启发的对比适应性算法在高分辨率遥感图像的无监督领域自适应语义分割中的应用

    本文提出了一种因果原型启发的对比适应方法（CPCA）来探索不同高分辨率遥感图像领域及其语义标签之间的不变因果机制，通过因果特征分解模块将因果特征和偏差特征从源域和目标域图像中解开，然后使用因果原型对比模块学习域不变的因果特征，并引入因果干预模块对偏差特征进行干预以生成反事实无偏样本，通过强制因果特征符合可分离性、不变性和干预的原则，CPCA 能够模拟源域和目标域的因果因素，并基于因果特征在目标域上做出决策，从而提高了泛化能力。在三个跨域任务的大量实验中，CPCA 明显优于现有的最先进方法。

    Mar, 2024

  • 基于语义分布感知的语义分割对比自适应

    该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。

    May, 2021

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 基于补丁对比学习的语义分割领域自适应

    本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

    Apr, 2021

  • 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

  • 使用代理标签的策略课程进行自适应语义分割

    本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

    Nov, 2018

  • 通过自监督源域投影和多级对比学习实现广义语义分割

    该研究提出了一种基于领域映射和对比学习的方法，通过自监督源域投影和多级对比学习来减少域差异并提高泛化能力，通过大量实验证明了该方法在语义分割方面具有良好的泛化能力。

    Mar, 2023