基于渐进式目标风格特征增强的点云无监督领域自适应
本文提出了渐进特征对齐网络 (PFAN) 对无监督域自适应问题进行解决,通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤,使得模型能够有效地完善交叉领域的分类一致性。
Nov, 2018
本文提出了三种技术方案,即集群对比学习算法(CCL)、渐进领域适应策略(PDA)和傅里叶增强(FA),以解决无监督域自适应的问题。实验证明,我们的方法在多个基准测试上都实现了显著的改进。
Aug, 2021
在医学图像分割领域,我们提出了一种新颖的两阶段无源域适应框架(SFDA),通过仅使用训练有素的源分割模型和无标签目标数据,旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型,通过最小化预期成本,通过双向传输将目标特征与类原型对齐,其次设计了对比学习阶段,利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明,我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。
Jul, 2023
本文提出了一种源自由的无监督领域自适应方法,使用预先训练的源模型和未标记的目标图像,通过数据增强和一致性目标来捕捉不确定性,并且鼓励特征生成器在决策边界外学习一致的视觉特征,以增强模型对图像扰动的鲁棒性,并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距,实验结果表明,该方法对于图像扰动具有更强的鲁棒性。
Aug, 2022
本文提出了一种基于生成领域适应的人脸防欺骗方法,利用图像翻译的方式将目标数据转换到源域风格,再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。
Jul, 2022
本文提出了一种端到端的 Prototypical Cross-domain Self-Supervised Learning (PCS) 框架,通过在共享嵌入空间中编码和对齐语义结构,不仅执行跨域低级特征对齐,而且捕捉数据的类别间语义结构。与最先进的方法相比,PCS 在 FUDA 上在不同域对之间的平均分类精度分别提高了 10.5%,3.5%,9.0%和 13.2%。
Mar, 2021
提出了一种名为 “自主引导自适应” 的方法,该方法通过计算难度因素来提高跨域对象检测模型的鲁棒性,并表现出在大范围领域转移方面的有效性。
Mar, 2020
该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法,进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题,并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。
Dec, 2019
通过渐进地更新类原型进行细化,采用保守稀疏注意力机制限制关键维度的特征适应,以实现历史知识的保留和快速分类器适应的元学习框架,解决了逐渐演化的目标领域自适应问题,并通过 Rotated MNIST、Caltran 和 Portraits 数据集的实验证明了方法的有效性。
Feb, 2024
本文研究了一个实际问题 —— 无源域自适应(SFDA),提出了一种名为 RPANet 的新的 SFDA 框架,该框架通过粗细自监督学习来学习区域级和像素级有判别性的表示,实验表明 RPANet 在医学应用中超越了现有的 SFDA 和 UDA 方法。
Aug, 2023