ICCVNov, 2023

ICCV 2023 GeoNet 挑战赛的自训练解决方案

PDF
TL;DRGeoNet 是一个最近提出的领域适应基准测试，它包含三个挑战（即 GeoUniDA，GeoImNet 和 GeoPlaces）。我们的解决方案采用了两阶段的无源领域适应框架，使用 Swin Transformer 骨干网络实现了从美国（源）领域到亚洲（目标）领域的知识转移。我们的方法在 GeoUniDA 挑战中取得了 74.56％的 H 分数，最终排名第一。在 GeoImNet 和 GeoPlaces 挑战中，我们的解决方案也分别达到了 64.46％和 51.23％的前三准确率。
geonetdomain adaptation benchmarktwo-stage source-free domain adaptation frameworkswin transformer backboneknowledge transfer
发现论文，激发创造
  • GeoNet: 评测跨地理区域的无监督适应性

    本文研究地理鲁棒性问题，提出 GeoNet 数据集并探究其背后的分布变化，表明现有无监督领域适应算法和大规模预训练不足以处理地理适应问题。

    Mar, 2023

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

    Apr, 2023

  • 领域自适应的图像到图像翻译

    提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

    Dec, 2017

  • GeoAdapt: 基于几何先验的自监督测试时 Lidar 地点识别自适应

    在基于深度学习的 LiDAR 地点识别方法中，当训练和测试数据集的分布发生变化时性能显著降低，常常需要重新训练以达到最佳性能。为了解决这个问题，我们提出了 GeoAdapt，它引入了一种新颖的辅助分类头部，以自监督的方式为新环境上的重新训练生成伪标签。GeoAdapt 利用几何一致性优先原则改进了我们生成的伪标签在领域漂移下的鲁棒性，提高了我们的测试时间自适应方法的性能和可靠性。全面的实验证明，GeoAdapt 显著提升了中度到严重领域漂移下的地点识别性能，并且与完全监督的测试时间自适应方法具有竞争力。我们的代码将在此 https URL 上提供。

    Aug, 2023

  • 世界上这张图片是在哪里？基于 Transformer 的野外地理定位

    本文提出了 TransLocator，这是一种基于双分支 Transformer 网络的方法，使用单一 RGB 图像和其语义分割图像进行地理定位和场景识别的多任务学习，其在四个基准数据集上均获得了比现有方法高的准确度。

    Apr, 2022

  • 视觉域自适应的几何和统计联合对齐

    本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。

    May, 2017

  • 现实世界域泛化的自适应方法

    本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

    Mar, 2021

  • 利用领域适应性进行低资源地理空间机器学习

    本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用，揭示了独特的挑战并提出了解决方案，以解决机器学习在遥感中受到有标签数据瓶颈的困扰。

    Jul, 2021

  • 面向域自适应语义分割的几何感知网络

    提出了一种新的基于几何感知网络的域自适应模型，通过利用更紧凑的三维几何点云表示来缩小领域差距，显式利用从 RGB-D 图像生成的点云的三维拓扑结构进行伪标签的细化，解决了估计二维深度时无法从根本上提取对象的内部三维信息的问题，并在 GTA5->Cityscapes 和 SYNTHIA->Cityscapes 两个领域中表现出的定量和定性的有效性，超越了现有的技术水平。

    Dec, 2022

  • 域适应能让物体识别对所有人都有效吗？

    研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题，发现标准适应方法不足以解决当前的挑战，需要专业的地理适应解决方案。

    Apr, 2022