Jul, 2023

PM-DETR：具有 Transformer 的用于对象检测的域自适应提示记忆

PDF
TL;DR本研究提出了一种层次化的提示域内存 (PDM)，以针对不同分布适应检测变压器。实验表明，与现有的方法相比，该方法在三个基准测试中表现更好，包括场景适应、合成到实际和天气适应。
transformer-based detectorsobject detectionadaptation techniquesprompt domain memorydomain-specific knowledge
发现论文，激发创造
  • MTTrans: 基于 Mean-Teacher Transformer 的跨领域目标检测

    提出了一种基于平均教师框架的端到端跨域检测 Transformer，该方法可以利用未标记的目标领域数据进行目标检测训练，并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代，实现了在三种领域适应场景下实现了最先进的性能，特别是 Sim10k 到 Cityscapes 情景下性能显著提高。

    May, 2022

  • DATR: 无监督领域自适应检测 Transformer 模型：基于数据集层面适应与原型对齐

    我们提出了一种强大的基于 DetR 的检测器，名为 Domain Adaptive Detection Transformer (DATR)，用于无监督域自适应目标检测，通过有效地对跨域特征进行类别感知的对齐，明确引导检测器实现全局表示，并通过使用教师模型生成的伪标签来减轻领域偏差，展示了我们的 DATR 在多个域适应场景中具有卓越的性能和泛化能力。

    May, 2024

  • DA-DETR: 带信息融合的领域自适应检测变压器

    设计了 DA-DETR，一种域自适应物体检测变压器，引入信息融合以实现从一个带标记的源域到一个未标记的目标域的有效传输，并采用 CTBlender 对卷积神经网络特征和变换器特征进行聚合。在多个广泛采用的域自适应基准测试中，DA-DETR 不断实现卓越的检测性能。

    Mar, 2021

  • 基于蒙面特征对齐的均值教师 DETR：一种稳健的领域自适应检测 Transformer 框架

    我们提出了一种名为 MTM 的两阶段框架，利用无监督领域自适应进行目标检测，其中包括遮蔽特征对齐的方法，该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型，在自训练阶段提高模型的目标性能。

    Oct, 2023

  • 用 Transformer 进行的多目标追踪的对比学习

    通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

    Nov, 2023

  • 测试时间域自适应的视觉提示调控

    本文提出一种用于数据有效且准确实现目标领域适应的测试时适应问题解决方案 (Data-efficient Prompt Tuning，DePT)，其使用镜像学习方式将交互式提示信息细化到视觉 Transformer 模型中，在测试时自适应调整模型引用的提示以提升模型对目标域的表示，且具有适用于许多测试适应问题的能力。

    Oct, 2022

  • PnP-DETR：基于 Transformer 的高效视觉分析

    本研究提出了一种新的 PnP 采样模块，将其与 transformer 模型结合，构建了一个端对端的 PnP-DETR 体系结构，从而在保证效率的同时具有更大的灵活性。

    Sep, 2021

  • 基于原型的均师多源领域自适应物体检测

    基于原型的均值教师（PMT）是一种新颖的多源领域适应方法，通过使用类原型而非特定于域的子网络来保持域特定信息，并使用对比损失来对不同类别进行对齐和分离，从而减小了参数大小与源域数量的关系，降低了内存问题和可能的过拟合，并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。

    Sep, 2023

  • 增强 DETR 收敛和多尺度特征融合的语义对齐匹配

    本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了 DETR 的收敛速度并提高了检测精度，拥有成为现有 DETR 收敛解决方案完美补充的潜力。

    Jul, 2022

  • 面向在线领域自适应目标检测

    本研究提出了一种适用于目标检测的新型统一自适应框架，可以在线适应和改进目标领域的泛化能力，并使用 MemXformer 作为记忆模块和对比损失来增强目标特定的表示学习。

    Apr, 2022