Nov, 2023

通过隐式跨域对应实现的长期不变局部特征

PDF
TL;DR通过改进现代视觉特征提取网络的监督方法，我们的方法在跨长期视觉领域变化的图像对捕捉下，显著改善了视觉定位性能，减小了性能差距，为长期部署提供了更稳健的视觉定位方法，并在长期定位基准测试中始终优于现有方法。
visual feature extraction networkslong-term visual domain variationscross-domain localizationimplicit cross-domain correspondenceslong-term invariant descriptors
发现论文，激发创造
  • 跨域相关性蒸馏：用于夜晚语义分割的无监督域自适应

    本研究提出了一项通过交叉域相关性蒸馏的新颖域适应框架，称为 CCDistill，旨在充分利用两个图像之间的不变性，从而弥补夜间图像标签缺乏的不足，并实现了夜间语义分割的最先进性能。

    May, 2022

  • 通过广义相似度度量和特征学习进行跨领域视觉匹配

    本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

    May, 2016

  • 无监督跨域图像检索的特征表示学习

    本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

    Jul, 2022

  • LCD：用于 2D-3D 匹配的学习跨域描述符

    本文提出了一种新方法来学习本地跨域描述符，以进行 2D 图像和 3D 点云匹配，该方法是一个双自编码器神经网络，将 2D 和 3D 输入映射到共享潜在空间表示中，其共享嵌入中的局部跨域描述符比在 2D 和 3D 域中单独训练获得的描述符更具有区分度。

    Nov, 2019

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 跨域相似度学习在未知域中的人脸识别

    本文介绍了一种名为 CDT 损失的跨域度量学习方法，该方法通过在网络中统一损失函数中的另一个培训领域中与三元样本相关的明确度量来提高面部识别在未知领域的性能。

    Mar, 2021

  • 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

  • 领域不变图像表示的高效学习

    本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

    Jan, 2013

  • 基于范例的图像翻译的跨域对应学习

    该研究提出了一种基于样本的图像翻译框架，可以从输入的一个不同域的图像（如语义分割掩模、边缘地图或姿态关键点）中综合出真实感风格与样本图像中对应语义对象的一致的合成图像。通过联合学习交叉领域对应关系和图像翻译模型，两个任务相互促进从而可以在弱监督下学习。该方法在几项图像翻译任务中优于最先进的方法，图像风格传神并具有语义一致性。

    Apr, 2020

  • 大型语言模型作为视觉跨领域学习器

    近期由深度学习模型取得的进展基于独立且同分布的假设，限制了它们在具有领域转移的实际场景中的应用。为了解决上述问题，跨域学习旨在提取领域不变的知识，以减少训练和测试数据之间的领域转移。然而，在视觉跨域学习中，传统方法仅集中于图像模态，忽略了利用文本模态来减轻领域转移。本文提出了大型语言模型作为视觉跨域学习器（LLaVO）。LLaVO 使用视觉 - 语言模型将图像转换为详细的文本描述，然后使用设计的指令模板在源 / 目标领域生成的文本描述上对大型语言模型进行微调。对领域概括和无监督领域自适应设置下的各种跨域任务进行了广泛的实验，结果表明了所提方法的有效性。

    Jan, 2024