该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐,该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明,该方法在从合成到真实的城市场景理解中具有良好的效果。
Mar, 2020
本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法,该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计,进一步引入了两种补充的像素级和类级去噪方案,以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明,该方法在不使用任何源图像或修改源训练的情况下,实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。
Sep, 2021
使用自主训练、伪标签、微调和师生框架等方法,这篇论文提出了解决视频领域适应性问题的方法,以在没有源数据的情况下实现源无关自适应,并取得了领先的实验结果。
Nov, 2023
本文提出了一种基于生成对抗网络的方法,通过在像素空间中学习一种转换方法,将源域图像适应为与目标域相同的样子,以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本,而且在许多无监督域适应场景中均优于现有技术,并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。
Dec, 2016
通过使用源领域标签作为图像翻译的明确指导,本文提出了一种创新的方法来解决领域自适应语义分割中的语义一致的局部细节保持问题,并利用了渐进翻译学习策略来实现在具有大差距领域中可靠工作的语义梯度引导方法。大量实验证明了我们方法相对于最先进的方法的优越性。
Aug, 2023
本文提出了一种使用相似度保持对抗生成网络(SPGAN)的无监督学习框架,用于域适应中的人员重新识别,其保持图像的自我相似性和领域不相似性,从而提高人员重新识别精度。
Nov, 2017
该论文探讨了解决语义分割领域中的域适应问题,提出了基于生成模型和像素级域对齐的方法,通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。
Sep, 2020
本文提出了一个两步自监督域自适应方法,以最小化域间和域内差距,首先进行模型的域间自适应,然后使用基于熵的排序函数将目标域分为易和难两部分,最终采用自监督自适应技术从易到难来降低域内差距。
Apr, 2020
本文从噪声标签学习的角度解决了无监督领域自适应中源数据不可用的问题,提出了一种自监督噪声标签学习方法,通过对预测的噪声标签和自生成标签的有效集成,可以轻松地实现对预训练模型的微调,并取得了领先其他方法的最新成果。
Feb, 2021
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。