Aug, 2023

BTSeg：领域自适应语义分割的巴洛孪生规范化

PDF
TL;DR通过利用图像级对应作为弱监督信号，我们提出了 BTSeg，它可以学习对不良条件不敏感的分割模型，通过不同不良条件下的图像来增强训练数据，它在 ACDC 和 ACG 基准测试中表现优秀，且相比现有的最先进方法更简单易用。
semantic image segmentationadverse conditionsbtsegbarlow twins lossrobustness
发现论文，激发创造
  • 带有领域知识保留的多种恶劣天气条件下的语义分割

    我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

    Jan, 2024

  • ADVENT: 基于对抗性熵最小化的语义分割领域自适应

    本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

    Nov, 2018

  • 从 SAM 中学习：通过正规化利用分割基础模型进行 Sim2Real 领域自适应

    自主域自适应方法对目标域训练数据稀缺和注释成本高的机器人应用领域尤为重要。我们提出了一种自我监督的域自适应方法，适用于仅有标注源领域数据但目标领域数据完全无标注的情景，并且我们使用了分割基础模型（Segment Anything Model）来获得未标注数据的部分信息，利用无监督局部特征学习的最新进展，提出了一种对目标域中检测到的分割区域进行正则化特征表示的不变性方差损失结构。关键是，这种损失结构和网络架构可以处理由 Segment Anything 生成的重叠分割区域和过分割问题。我们在具有挑战性的 YCB-Video 和 HomebrewedDB 数据集上展示了我们方法的优势，并显示出它优于之前的方法，甚至优于使用真实注释进行训练的网络（在 YCB-Video 上）。

    Sep, 2023

  • 面向目标的规范化通用模型无关语义分割

    本文提出了一种新颖的域泛化框架，通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力，从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明，该方法在多个基准细分数据集上都取得了最新的前沿成果。

    Mar, 2020

  • 语义分割领域自适应的双向学习

    本研究提出了一种基于双向学习和自我监督学习的域自适应语义图像分割框架，与现有技术相比，在大幅优化分割结果的同时，避免了对大规模数据集的手工标注。

    Apr, 2019

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • 自监督增强一致性用于语义分割适应

    本研究提出一种实用且高精度的 “领域自适应（domain adaptation）语义分割” 方法，通过数据增强，确保保持图像转换后的语义预测的一致性，在轻量级自监督框架中训练并取得了显著的精度提高。

    Apr, 2021

  • 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

  • BiMaL: 在语义场景分割中的双射最大似然域自适应方法

    该研究提出了一种用于领域适应的新型 Bijective Maximum Likelihood (BiMaL) 算法及其无监督的不对齐领域分数 (Un-aligned Domain Score) 评价方法，并在实验中表现优异。

    Aug, 2021

  • 使用强数据增强的半监督语义分割简单基线

    该研究提出了一种基于半监督学习的语义分割框架，采用了强数据增强和分布特定批处理归一化技术，同时设计自校正损失提高噪声抗干扰能力，在 Cityscapes 和 Pascal VOC 数据集上实现了领先水平的结果。

    Apr, 2021