Dec, 2023

ADOD: 自适应领域感知残余注意力在水下环境中的目标检测

PDF
TL;DRADOD 是一种用于水下目标检测中解决领域泛化的新方法，通过增强模型在各种水下环境下的泛化能力来确保其稳健性。它采用了 Residual Attention YOLOv3 框架和基于注意力机制的领域分类模块，通过提升检测准确性和适应性，实现了在看得见和看不见的领域中出色的性能表现。
adodunderwater object detectiondomain generalizationresidual attentiondomain shifts
发现论文，激发创造
  • 深度域自适应目标检测：一份综述

    本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

    Feb, 2020

  • 领域适应水下目标检测与图像增强的实时框架

    近年来，在水下图像增强（UIE）领域取得了显著进展，但其在自主水下载具（AUVs）中的水下物体检测（UOD）等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO，旨在同时进行 UIE 和 UOD，并具有域自适应能力。综合实验表明，我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能，而且在应用于不同的水下场景时显示出了卓越的适应性。

    Mar, 2024

  • 边缘引导的水下物体检测表征学习

    本研究提出了使用边缘信息指导的表征学习网络 ERL-Net，该网络包括边缘指导的 attention 模块和特征聚合模块，以及一种宽而不对称的感受野块，用于改进水下物体检测中的低对比度、小目标的识别。实验证明，该方法在三个挑战性的水下数据集上均取得了优异的表现。

    Jun, 2023

  • 激光雷达 3D 物体检测器对未知领域的泛化能力的实证研究

    通过系统调查四个在 3D 目标检测的鲁棒性和领域适应中常常被忽视的设计选择（架构、体素编码、数据增强和锚点策略）以及它们之间的相互作用，我们发现用本地点特征的 Transformer 主干比 3D CNN 更加鲁棒，在地理位置适应中关键是在测试时进行的锚点大小调整，源域数据增强允许模型推广到低分辨率传感器，而与预期相反，用干净的天气数据直接训练比用恶劣天气数据训练更能提高对恶劣天气的鲁棒性。我们总结了主要结论和发现，为开发更加鲁棒的 3D 目标检测方法提供实际指导。

    Feb, 2024

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 使用领域对抗学习的全能水下图像增强

    本文介绍了一种用于增强不同水域下水下图像的模型，采用深度学习技术，通过对图像特征进行无关领域的学习，提高了图像增强的性能，并在物体检测任务中表现出了显著的改善。

    May, 2019

  • 一对一 Pairwise DomMix 注意力对抗网络用于无监督领域自适应目标检测

    提出了一种具有双向注意力对抗网络和域混合模块 (DomMix) 的无监督域自适应目标检测方法，以缓解大规模领域变化时单向域转移的缺点，并在多个基准数据集上进行了广泛的实验，证明了该方法的优越性。

    Jul, 2024

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 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

  • 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