ICCVSep, 2023

一次性跨领域语义分割的信息挖掘

PDF
TL;DR我们提出了一种名为 Informative Data Mining (IDM) 的新框架，通过使用一种基于不确定性的样本选择准则来实现高效的一次性领域自适应，其中包括基于补丁混合和基于原型的信息最大化来更新模型，有效提高了自适应性并缓解过拟合问题。
domain adaptationsemantic segmentationone-shot domain adaptationinformative data miningmodel adaptation
发现论文，激发创造
  • 自监督的无监督领域内语义分割自适应

    本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

    Apr, 2020

  • 基于低层边缘信息传输的语义分割无监督领域自适应

    本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

    Sep, 2021

  • 语义分割的领域自适应半监督学习中的区内和区间混合

    本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。

    Aug, 2023

  • 跨域混合增强的半监督域适应

    这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。

    Jan, 2024

  • 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

  • 领域迁移下的聚类学习

    本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

    Aug, 2020

  • 语言引导的实例感知领域自适应全景分割

    提出了一种名为 LIDAPS 的新型模型，通过 IMix 策略实现了实例级的域适应，提高了全景质量，并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中取得了最先进的结果。

    Apr, 2024

  • 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

  • IDM: 域自适应行人再识别中间领域模块

    本文提出了一种新颖的方法，即利用源和目标领域之间的桥梁来解决无监督领域自适应人员再识别（UDA re-ID）问题，该方法专注于显式地建模合适的中间领域以表征这种桥梁，并提出了中间域模块（IDM）来生成中间域表示，以及通过 bridge loss 和 diversity loss 约束中间域的生成。在各种常见的 UDA re-ID 任务中，该方法表现出比现有算法显著的性能优势，并且在挑战性的 MSMT17 基准测试中，mAP 的增益高达 7.7％。

    Aug, 2021

  • 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