本文中,我们提出了一个统一的多粒度对齐的对象检测框架,以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图,首先开发了全尺度门控融合模块来聚合实例的判别表示,从而实现了强大的多尺度目标检测。与此同时,我们提出了多粒度鉴别器,以识别样本(即像素、实例和类别)不同粒度来自哪个领域。在不同的背骨骼架上,我们进行了广泛的实验,证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
Mar, 2022
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
提出了一种利用混合内存的自适应域对象重新识别方法,通过自适应控制学习目标,同时区分源域类别和目标域聚类和未聚类的样本,使得模型在多个对象重新识别任务上都超过了现有方法,甚至在无监督对象重新识别中也有了很好的表现。
Jun, 2020
本文提出了一个基于像素级目标度和中心化对齐的域自适应目标检测器,以优化跨域适配,实验结果证明了其相对于现有算法的优越性。
Aug, 2020
领域自适应方法针对目标检测(OD)旨在通过促进源域和目标域之间的特征对齐来减轻分布偏移的影响。多源域自适应(MSDA)允许利用多个带注释的源数据集和未标记的目标数据以提高检测模型的准确性和鲁棒性。最先进的 MSDA 方法通常采用类不可知的特征对齐,但由于不同领域中对象的外观变化而产生了独特的模态信息,这是具有挑战性的。最近的基于原型的方法提出了一种针对类别的对齐,但由于噪声伪标签导致的误差累积,这可能会对不平衡数据的适应产生负面影响。为了克服这些限制,我们提出了一种基于注意力的类条件对齐方案,用于 MSDA,该方案通过对齐每个对象类别的实例来实现。特别地,注意力模块与对抗性域分类器相结合,可以学习域不变和类别特定的实例表示。对多个基准 MSDA 数据集进行的实验结果表明,我们的方法优于现有方法,并且对于类别不平衡具有鲁棒性。我们的代码可在此 https URL 中找到。
Mar, 2024
利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡,从而在各种适应场景中超越现有的最先进方法。
Nov, 2023
该研究介绍了一种针对目标检测的新型无监督域适应方法,通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上 mAP 平均精度方面的表现优于现有技术达到了 3%~11% 的大幅度提升。
May, 2019
该论文提出了一种介质域方法,使用深度学习、对抗损失等技术实现物体检测领域的域自适应,提高了目标域的检测性能。
Oct, 2019
提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息,依赖于三个存储器模块,即部分级存储器、实例级存储器和域级存储器,来处理无监督跨域人员再识别任务,从而达到了竞争性的结果。
Jan, 2020
本研究提出了一种名为 MeGA-CDA 的基于 Memory Guided Attention 的领域自适应物体检测方法,能够通过使用分类特定的鉴别器和生成的内存引导类别特定的注意力地图,实现分类感知的特征对齐与学习领域不变的鉴别特征,表现出优越的性能。
Mar, 2021