Jan, 2024

DTBS: 双教师双向自训练在夜间语义分割中的领域适应

PDF
TL;DR夜间条件下的自动驾驶感知系统在光照不足和注释困难的情况下面临着巨大挑战。我们提出了一种双教师双向自训练框架，通过增量考虑风格和光照变化来减缓域间差距，以实现平滑的知识传输和反馈，从而在无监督域自适应中提高语义分割的性能。
unsupervised domain adaptationnighttime conditionsautonomous vehicle perception systemsself-trainingdual-teacher bi-directional self-training
发现论文，激发创造
  • 自监督对比学习与自训练在语义分割的无监督领域自适应中的应用

    本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。

    May, 2021

  • 基于类平衡自训练的语义分割领域自适应

    本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

    Oct, 2018

  • 面向无监督域自适应夜间语义分割的动态小物体细化

    这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

    Oct, 2023

  • 合作学习：夜间物体检测中的无监督领域自适应导航

    CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.

    Apr, 2024

  • 临时教师切换半监督语义分割

    该研究论文介绍了一种名为双教师的简单而有效的方法，利用双临时教师解决了学生和教师权重耦合的问题，通过定期生成伪标签训练学生模型并保持不同特征，以显著缩短训练时间，并证明了该方法适用于各种模型。

    Oct, 2023

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 基于实例自适应技术的无监督领域自适应自训练

    本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

    Aug, 2020

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 基于熵导向的自监督学习用于语义分割领域自适应

    使用熵作为置信度指标的熵引导自监督学习 (ESL) 方法，在无监督域自适应语义分割任务中实现了最先进的结果。

    Jun, 2020

  • 夜间 彩色 - 热度 语义分割的 测试时 适应性

    夜间 RGB-T 语义分割中，我们提出了第一种测试时适应 (Night-TTA) 框架，以解决两个关键问题：1）RGB 图像的白天和夜晚差距大于热像图，2）夜间 RGB 图像的类别性能未必总是高于或低于热像图。通过 Imaging Heterogeneity Refinement (IHR) 和 Class Aware Refinement (CAR) 技术，以及特定的学习方案，我们的方法在 mIoU 上取得了 13.07% 的显著提升。

    Jul, 2023