本文提出了一种基于领域自适应的目标检测方法,使用风格迁移和伪标签方法,使检测器在不同图像样式下具有鲁棒性,并显著提升了性能。
Nov, 2019
本文提出了无源开放复合领域自适应的新概念,并在语义分割中进行研究,应用自监督学习的方法,通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题,从而在目标和开放领域上实现了最先进的结果。
Jun, 2021
该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model(SCFAM),结合语义预测模型(SPM)和语义桥接组件(SBC)实现单类和多类特征的语义信息切分和对齐,以及基于 SPM 结果调整生成器损失函数以降低样本不平衡,从而提高面对领域偏差的目标检测模型的性能。
Jun, 2022
本文提出了一种基于课程域适应策略和记忆模块的方法,以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类,面部表情识别,语义分割和强化学习上非常有效。
Sep, 2019
本文介绍了针对语义分割的无监督域自适应(UDA)的新方法 —— 开放复合域自适应(OCDA)。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架,它首先根据样式聚类混合目标数据,然后使用图像转换方法在源中臆造多个潜在的目标域,最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题,实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。
Oct, 2021
提出了一种基于元学习的 OCDA 方法 MOCDA,通过对未标记的目标域进行连续建模,利用图像样式将其划分为多个子目标域,同时在线使用 MAML 算法来更新模型,实现在合成到真实的知识转移基准数据集上取得最优性能的目的。
Dec, 2020
本研究提出了一种基于梯度分离的堆叠互补损失(SCL)方法,该方法使用检测损失作为主要目标,并在不同的网络阶段引入几个辅助损失以学习更具判别性的表示,用于非监督领域自适应目标检测。实验表明该方法在多个数据集上表现优异,尤其是在 Cityscapes 到 FoggyCityscapes 的领域偏移条件下具有显著增强性能,与现有方法相比平均提高了 3.6%。
本文介绍了一种名为 CompStyle 的新型框架,利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布,以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能,而无需额外的培训时间或资源。
Jun, 2024
本文提出了一种基于多教师框架的光度混合自适应分割方法,用于解决开放式复合领域自适应问题,比现有方法效果更好。
Jul, 2022
本研究提出了一种计算机视觉系统的方法,用于无需有标签的数据来识别艺术图像中的物体,通过域适应和样式转移等技术来实现,无需大量的目标数据即可进行跨域对象识别及场景分类。
Dec, 2018