Jul, 2023

语义分割中的标签校准在领域转换下

HTML
PDF
TL;DR预训练模型可通过计算域迁移下的软标签原型并根据与预测类别概率最接近的原型进行预测，从而适应无标签目标域数据，这种适应过程快速且几乎不需要计算资源，且能显著提升性能，我们在实用的合成到真实场景的语义分割问题中证明了该标签校准的益处。
发现论文，激发创造
  • 领域自适应语义分割中通过不确定性估计纠正伪标签学习

    本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

    Mar, 2020

  • 基于尺度不变示例的语义分割领域自适应学习

    本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。

    Jul, 2020

  • 使用弱标签的域自适应语义分割

    论文提出一个新框架，使用image-level weak labels，引入了category-wise alignment来实现domain adaptation中feature alignment和pseudo-labeling的相互作用，实验结果表明在UDA和WDA上都有显著的提高。

    Jul, 2020

  • 面向语义分割领域自适应的语义感知图像翻译

    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

  • 领域自适应语义分割的原型伪标签去噪与目标结构学习

    本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。

    Jan, 2021

  • 利用负学习实现无源域适应语义分割中的隐式伪标签矫正

    本研究提出了一种新的领域自适应解决方案，用于语义分割，通过伪标签修正的方法来避免训练中的噪声，并在未接触源模型内部规格的情况下取得很高的性能。

    Jun, 2021

  • LabOR: 领域自适应语义分割只对必要的标签

    提出了一种人机交互方法，称为 LabOR，使用自适应像素选择器生成不确定性掩码，标记这些基于段的区域，从而实现了近乎受监督的性能。同时，该方法通过生成一个最具代表性的点，提高人工标注的效率。该框架在降低人工费用的同时，在领域自适应语义分割方面具有优势。

    Aug, 2021

  • 浅层特征指导无监督领域自适应在类边界上的语义分割

    本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。

    Oct, 2021

  • 语义分割模型的校准：分析与算法

    研究了语义分割校准的问题，提出了一种简单而有效的选择性缩放方法来校准模型，实验结果表明其在多个基准测试中具有卓越的性能。

    Dec, 2022

  • Cal-SFDA：无源域自适应语义分割与可微的期望校准误差

    提出了一种新的校准引导的无源自适应语义分割 (Cal-SFDA) 框架，该框架通过估计预期校准误差 (ECE) 进行模型训练和选择，以适应目标域数据，并在两个常用的合成-真实转移任务上超过了先前的最新技术。

    Aug, 2023