Oct, 2023

WLST：基于弱标签引导的弱监督域适应在三维物体检测中的自训练

PDF
TL;DR我们提出了一种弱标签引导的自训练框架，用于 3D 物体检测中的领域适应，通过将自动标记器融入现有的自训练流程中，生成更健壮和一致的伪标签，以提高领域适应的性能。
domain adaptation3d object detectionunsupervised domain adaptationweakly-supervised domain adaptationself-training
发现论文，激发创造
  • 使用弱标签的域自适应语义分割

    论文提出一个新框架，使用 image-level weak labels，引入了 category-wise alignment 来实现 domain adaptation 中 feature alignment 和 pseudo-labeling 的相互作用，实验结果表明在 UDA 和 WDA 上都有显著的提高。

    Jul, 2020

  • STAL3D：基于协作自训练和对抗学习的 3D 物体检测无监督域自适应

    我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的 STAL3D 实现了最先进的性能，甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。

    Jun, 2024

  • 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

  • 基于实例自适应技术的无监督领域自适应自训练

    本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

    Aug, 2020

  • 自训练和对抗背景正则化实现无监督领域适应一阶段目标检测

    本文介绍了一种针对单阶段物体检测的领域自适应方法，该方法采用了弱自训练和对抗背景分数正则化技术来稳定训练过程并减少域漂移，实验结果表明，这种方法有效地提高了模型在无监督领域自适应设置下的性能。

    Sep, 2019

  • 无监督域自适应的语义分割研究及伪标记自我修正

    基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

    Oct, 2023

  • 基于类平衡自训练的语义分割领域自适应

    本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

    Oct, 2018

  • 学习发现知识：一种弱监督部分领域适应方法

    本文介绍了一种简单而有效的基于自适应学习的域自适应方法，称为自适应迁移分类器学习（SP-TCL），用于解决弱监督下的部分域自适应问题，通过精心设计的损失函数发现准确知识并在遵循自适应学习方案下从源域中迭代地排除示例，实现了目标域的成功适应，多项基准测试结果表明 SP-TCL 在多个广义域适应任务中明显优于现有方法。

    Jun, 2024

  • 检测、增强、组合和适应：目标检测中的四个无监督领域适应步骤

    无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过 2% mAP 的最先进性能。

    Aug, 2023

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022