针对目标检测的目标感知域泛化
单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而,这些方法在对视觉细粒度的开放 - 闭合数据时往往出现错误分类的情况。为了克服这些限制,我们提出了一种名为 SODG-Net 的新颖框架,该框架使用基于学习的目标同时合成新颖域和生成伪开放样本,与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力,并生成了多样的伪开放样本,以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。
Nov, 2023
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
在目标检测中,提出了半监督领域通用目标检测(SS-DGOD)和弱监督领域通用目标检测(WS-DGOD)两种新的问题设置,利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练,并证明了在此设置下训练的目标检测器明显优于基线检测器,并与无监督领域自适应(UDA)设置下训练的目标检测器性能相媲美或更好,同时与 UDA 相比,不需要使用目标领域数据进行训练。
Oct, 2023
本文通过探索视觉语言预训练和通过语言空间强制特征对齐,首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习(CDDMSL)方法,在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法,分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性,将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。
Sep, 2023
我们提出了一种名为 G-NAS 的整体框架,利用可微分的神经结构搜索 (Differentiable NAS) 来解决单域泛化目标检测 (S-DGOD) 问题,通过引入 Generalizable loss (G-loss) 来防止过拟合,并在 S-DGOD 城市场景数据集上取得了 SOTA 表现。
Feb, 2024
本文研究了开放域泛化的问题,提出了一种基于元学习的域增强框架 (DAML),通过特征层次和标签层次上的增强,综合不同领域的知识,提高在不同领域泛化能力的性能。实验结果表明,DAML 方法在未知领域识别方面表现优越。
Apr, 2021
本文提出了一种针对 Single Domain Generalization 的新策略 ——Spectral Adversarial Data Augmentation,通过提高模型对高敏感频率的学习能力,从而有效提高模型的泛化能力,各项实验均超过目前 Single-DG 方法的最佳表现。
Dec, 2022
本研究提出了使用样式互补模块来增强模型的泛化能力,从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验,结果表明本方法优于现有的单域泛化方法,最高提升了 25.14%。
Aug, 2021