MMNov, 2023

DoubleAUG：基于颜色扰动和双样式记忆的城市单领域通用目标检测器

PDF
TL;DR本文提出了一种新颖的 DoubleAUG 方法，它包括图像级和特征级增强方案，旨在解决城市场景中单域泛化目标检测任务，即在不同天气条件下训练的模型能够在任何其他天气条件下表现良好。通过大量实验证明我们提出的方法优于现有方法，并且消融研究证实了我们方法中每个模块的有效性。此外，我们的方法可以与现有方法集成，进一步提高模型性能。
object detectionurban scenariosgeneralizableweather conditionsaugmentation
发现论文，激发创造
  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 自动驾驶中雾天和雨天强化目标检测的域适应

    这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

    Jul, 2023

  • 恶劣天气下的视觉：利用 CycleGAN 和各种目标检测器进行增强，实现自主赛车中的鲁棒感知

    通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

    Jan, 2022

  • DA-RAW：适应真实世界恶劣天气条件下的域自适应目标检测

    通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

    Sep, 2023

  • 基于背景混合的弱监督变化检测增强

    本文从数据增强和弱监督学习的角度研究了变化检测的泛化问题，提出了一种基于背景混合数据增强和虚假标签的弱监督训练方法，并设计了一种增强数据一致性损失以显著提高模型的泛化能力。经过广泛的实验验证，在两个公共数据集中，该方法可以增强四种最先进的变化检测方法，证明了它的优势。

    Nov, 2022

  • 增强颜色以外的特征以进行域泛化分割

    本文提出了一种基于随机图像颜色增强和特征空间分布增强的域通用语义分割方法，通过对图像或特征进行性质适应性调整来增广数据集，从而提高模型的泛化性能。实验结果表明，该方法在现有方法中表现最佳。

    Jul, 2023

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 面向单源域广义目标检测的无偏 Faster R-CNN

    提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。

    May, 2024

  • 用于单源域泛化的 CNN 特征图增强

    本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

    May, 2023