Nov, 2023

SAM4UDASS: 当 SAM 与无监督领域自适应语义分割相遇于智能车辆中

PDF
TL;DRSAM4UDASS 是一种新颖方法，通过将 Segment Anything Model（SAM）与自训练的无监督域自适应方法相结合，用于改进伪标签和解决类别不平衡问题，在驾驶场景中实现语义分割，并与现有自训练的无监督域自适应方法无缝衔接。经过在合成到真实和正常到恶劣的驾驶数据集上的广泛实验，证明了其有效性，使用 DAFormer 在 GTA5 到 Cityscapes、SYNTHIA 到 Cityscapes 和 Cityscapes 到 ACDC 上获得超过 3% mIoU 的提升，并在使用 MIC 时达到了 SOTA 水平。
发现论文，激发创造
  • 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 SAM 指导的无监督领域适应用于 3D 分割

    本研究提出了一种基于图像与点云的混合特征增强方法，通过利用 SAM 模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。

    Oct, 2023

  • 面向实例分割的合成到真实的无监督领域自适应

    UDA4Inst 是一种适用于自动驾驶中实例分割的合成到真实领域无监督域适应模型，通过引入新颖的交叉域双向实例级混合数据方法充分利用了源域和目标域的数据，并采用稀有类别平衡和类别模块训练进一步提高了性能。在新的合成到真实实例分割基准测试上，UDA4Inst 分别在 UrbanSyn->Cityscapes 和 Synscapes->Cityscapes 上达到了 39.0 mAP 和 35.7 mAP，同时在 SYNTHIA->Cityscapes 上的性能为 31.3 mAP，比最新方法高出 15.6。

    May, 2024

  • 探索语义分割中无监督领域自适应的鲁棒性

    提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法，名为 ASSUDA，以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。

    May, 2021

  • 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

  • 几何无监督域自适应语义分割

    该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。

    Mar, 2021

  • 将自监督单目深度引入无监督域自适应中进行语义分割

    通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

    Oct, 2021

  • 基于深度感知的语义分割域自适应

    该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

    Apr, 2019

  • 无监督域自适应的语义分割研究及伪标记自我修正

    基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

    Oct, 2023

  • 自动驾驶视觉感知语义分割的无监督域适应调查

    本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

    Apr, 2023