SAM-DA: 基于 SAM 动态自适应方法的夜间无人机目标跟踪技术
该研究提出了一种新颖的无监督领域自适应框架 UDAT,通过采用唯一的物体发现方法生成训练补丁,使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异,构建 NAT2021 数据集,实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。
Mar, 2022
本研究提出了一种新的少样本领域自适应框架 SAMDA,将 Segment Anything Model(SAM)与 nnUNet 在嵌入空间中结合起来,以实现高度的转移性和准确性。在两个电子显微图像数据集和四个 MRI 数据集上的实验结果表明,SAMDA 模型在显微镜图像分割和多模态图像分割领域具有很好的性能。
Mar, 2024
SAM4UDASS 是一种新颖方法,通过将 Segment Anything Model(SAM)与自训练的无监督域自适应方法相结合,用于改进伪标签和解决类别不平衡问题,在驾驶场景中实现语义分割,并与现有自训练的无监督域自适应方法无缝衔接。经过在合成到真实和正常到恶劣的驾驶数据集上的广泛实验,证明了其有效性,使用 DAFormer 在 GTA5 到 Cityscapes、SYNTHIA 到 Cityscapes 和 Cityscapes 到 ACDC 上获得超过 3% mIoU 的提升,并在使用 MIC 时达到了 SOTA 水平。
Nov, 2023
本文提出了一种名为 GoodSAM 的新型框架,通过引入教师助理 (TA) 并融合 SAM 的集成 logits 来解决从 Segment Anything Model (SAM) 到学生模型的知识转移问题,同时提出了 Distortion-Aware Rectification (DAR) 模块和 Multi-level Knowledge Adaptation (MKA) 模块来处理全景图像的畸变问题并进行多级特征知识的有效传递,实验证明 GoodSAM 在两个基准测试上取得了较先进方法 + 3.75% 的平均交并比 (mIoU) 提升,并且我们最轻量级的模型仅有 3.7M 个参数却达到了与先进方法相媲美的性能。
Mar, 2024
本研究提出了一种基于图像与点云的混合特征增强方法,通过利用 SAM 模型在三维领域中的普适性能力,解决了未标注域适应中的领域差异问题,并在三维分割任务中取得了最新的研究进展。
Oct, 2023
这篇论文提出了一种新的无监督领域自适应方法,通过精细调整标签和特征层,用于夜间语义分割中的动态和小物体,通过对特征和原型进行对比学习以减少领域间差异,并在四个基准数据集上进行了广泛实验,取得了较大的性能优势。
Oct, 2023
通过教师 - 学生的知识转移,构建了一种夜间无人机追踪的新型相互学习知识蒸馏框架 MLKD,以解决夜间无人机追踪中的低光增强器引入的计算负担和单学生训练偏见等问题,并在实际测试中验证了其有效性和优越性。
Dec, 2023
本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法,使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中,该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割,通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。
Apr, 2021
CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.
Apr, 2024
本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架,通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异,在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。
Apr, 2022