KDDOct, 2023

CAD 模型到现实世界图像：工业物体分类中无监督领域自适应的实用方法

PDF
TL;DR通过分析工业环境中无监督领域适应的管道，本文系统地研究了目标分类。与领域中现有的标准自然目标基准相比，我们的结果突出了当只有分类标记的 CAD 模型可用但需要使用真实世界图像进行分类时的最重要的设计选择。我们的领域适应管道在 VisDA 基准上取得了最先进的性能，但更重要的是，在我们的新的开放式工业数据集中，显着提高了识别性能。最后，我们得出了一套对于需要实际应用最先进的无监督领域适应的从业者而言相关的指南。我们的代码可以在此 https URL 找到。
发现论文，激发创造
  • 目标检测无监督领域自适应：综述

    本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

    May, 2021

  • 无源、仅图像的无监督领域适应用于类别水平的物体姿态估计

    3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。

    Jan, 2024

  • 计算机视觉任务的自监督域自适应

    本文提出了一种自我监督域自适应的通用方法，重点关注简单的预训练任务，如图像旋转预测，运用于对象识别和城市场景语义分割等场景，并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。

    Jul, 2019

  • UDA-COPE: 面向类别级目标位姿估计的无监督域自适应

    本文提出了一种无监督领域自适应方法（UDA-COPE）来实现基于类别的物体姿态估计，不需要使用目标域的姿态标签，而是使用一种带有学生 - 教师自监督学习框架的姿态估计网络进行训练，并在预测出来的归一化物体坐标空间地图和真实点云之间介绍了一个双向过滤器来提供给学生网络训练更可靠的伪标签，实验结果表明，该算法在不使用目标域 GT 标签的情况下，可以达到与基于 GT 标签的现有方法相当甚至更好的表现。

    Nov, 2021

  • 视觉领域适应挑战

    本篇论文介绍了 2017 年度视觉领域自适应（Visual Domain Adaptation, VisDA）数据集及竞赛，是一种用于跨视觉领域无监督领域自适应的大型测试平台，主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领域对象分类数据集，涵盖了 12 个类别，共 280,000 多张图像。同时，该数据集还包含超过 30K 图像的图像分割数据集。

    Oct, 2017

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 通过从合成车辆的无监督域自适应学习部件分割

    本文提出使用无监督领域自适应 (UDA) 从合成数据学习部件分割的想法，并介绍了一种针对车辆的综合部件分割数据集 UDA-Part，然后提出一种新的 UDA 算法，利用物体的空间结构来指导适应过程，实验结果证实我们的方法优于现有方法，并展示了从合成数据学习部件分割的前景，本数据集将有助于在该领域推进研究。

    Mar, 2021

  • NeurIPS 2022 视觉域自适应挑战赛第一名解决方案

    本文介绍了一种名为 SIA_Adapt 的方法，该方法结合了多种领域自适应模型的方法，在实体分割任务中实现了在未标记的情况下从一个已知领域到目标领域的迁移，并在应用于工业废物分类方面取得了很好的效果，代码公开在 https://github.com/DaehanKim-Korea/VisDA2022_Winner_Solution

    Nov, 2022

  • 无监督伪装目标分割作为领域适应

    本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

    Aug, 2023

  • 基于 Blender 的合成数据在裸眼监督学习和下游领域自适应中的实用性新基准

    本论文介绍了一种使用 3D 渲染和域随机化技术生成合成数据的方法，探究了深度学习和领域适应的相关理论和新发现，并利用模拟到现实的适应性作为下行任务，证明了合成数据预训练也有助于提高实际测试结果。最后，作者们发展了一个新的大规模合成到实际（S2RDA）图像分类基准，提供了更具挑战性的从模拟到现实的转移。

    Mar, 2023