Sep, 2023

基于语义引导的特征对齐的目标检测半监督域泛化

PDF
TL;DR本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。
domain adaptationgeneralizationobject detectionsemi-supervised learningvision-language pre-training
发现论文，激发创造
  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 多粒度对齐领域自适应物体检测

    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

  • 目标检测的半监督和弱监督域泛化

    在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测器明显优于基线检测器，并与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时与 UDA 相比，不需要使用目标领域数据进行训练。

    Oct, 2023

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 往未见领域通用化的方向发展

    我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

    Mar, 2024

  • MeGA-CDA: 基于记忆引导的注意力机制的类别感知无监督域自适应物体检测

    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

  • 跨领域目标检测的二维特征对齐

    本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。

    Nov, 2020

  • 具有统一多粒度对齐的鲁棒领域自适应目标检测

    该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。

    Jan, 2023

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018