GOOD: 面向领域泛化定向目标检测
单域广义目标检测提高模型泛化能力,只使用来自单一源域的数据进行训练。本文提出了一种基于短语定位的风格转移方法(PGST)来实现此任务。通过定义文本提示并利用已有模型学习目标域的风格,并将源域的视觉特征转移到目标域。最终,我们使用这些风格转移的视觉特征对模型进行微调,使其在只使用单一源域进行训练的情况下能够有效地适用于未见过的目标域。实验证明,我们的方法在五个不同的天气驾驶基准数据集上取得了最先进的性能,甚至超过了一些将目标域图像纳入训练过程的领域自适应方法。源代码和预训练模型将会提供。
Feb, 2024
本篇文章主要讨论对象检测中的领域泛化问题(DGOD),提出了一种综合评估标准对检测器进行评估,并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法,以消除 RoI 特征内的依赖性。实验表明,我们的方法优于其他最先进的对手。
Mar, 2022
单域泛化(S-DG)方法用于将模型推广到未知环境,但大多数方法局限于分类领域,在目标检测中会导致语义特征损坏,我们提出一种面向目标检测的目标感知领域泛化(OA-DG)方法,包括数据增强和训练策略(OA-Mix 和 OA-Loss),通过生成多域数据和学习域不变表示,我们的方法在标准基准上优于现有研究。
Dec, 2023
计算机视觉中的一个重要且尚未解决的问题是确保算法对图像域的变化具有稳健性。我们提出了一种基于贝叶斯方法的新颖 OOD 鲁棒性对象分类方法,扩展了组合神经网络 (CompNets),并通过迭代优化在 OOD 场景中表现出很好的性能。
Mar, 2024
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
本文中,我们提出了一个统一的多粒度对齐的对象检测框架,以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图,首先开发了全尺度门控融合模块来聚合实例的判别表示,从而实现了强大的多尺度目标检测。与此同时,我们提出了多粒度鉴别器,以识别样本(即像素、实例和类别)不同粒度来自哪个领域。在不同的背骨骼架上,我们进行了广泛的实验,证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
Mar, 2022
提出了一种单源域泛化的方法,通过构建结构因果模型来分析任务中的数据偏差和特征偏差,并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中,该方法取得了明显的改进,夜晚晴朗场景的 mAP 提高了 3.9%。
May, 2024
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