Feb, 2024

基于CoRTe的跨领域迁移学习：从黑盒到轻量级分割模型的一致可靠迁移

HTML
PDF
TL;DRCoRTe方法使用黑盒模型的相对置信度提取知识，通过伪标签精炼增强学生模型在目标数据上学到的新信息，并使用提取的伪标签进行模型一致性训练，将黑盒模型的知识转移到轻量级模型上，以用于目标数据分布的两个合成-实际场景。
发现论文，激发创造
  • 结构全知：通过领域间结构信息适应性增强语义分割

    本文提出了一种基于结构内容的无监督领域自适应语义分割方法，通过Domain Invariant Structure Extraction (DISE)框架实现跨领域图像转换和标签转移，大量实验证明该方法在无标注数据情况下具有更高的分割性能。

    Mar, 2019

  • 一种非对抗式方法构建自主金字塔课程以进行跨领域语义分割

    该研究提出了一种名为PyCDA的自我激励金字塔课程域自适应方法，用于将语义分割神经网络从合成源领域适应到真实目标领域中， 并在无监督域适应语义分割中得到了最先进的结果。

    Aug, 2019

  • DACS: 基于跨域混合采样的领域自适应

    使用DACs方法，混合源领域的标签数据和目标领域的伪标签数据进行训练可以有效地解决基于卷积神经网络的语义分割模型在新领域上通用性不佳的问题。

    Jul, 2020

  • 无监督模型适应连续语义分割

    本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

    Sep, 2020

  • 无监督批归一化适应（UBNA）：一种域自适应方法，用于语义分割而不使用源域表示

    本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。

    Nov, 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

  • ProCST: 基于渐进循环风格迁移的语义分割增强

    提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准UDA方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

    Apr, 2022

  • 语义分割的无监督域自适应重新思考

    该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的UDA方法的超参数和使用少量标记数据进行微调的效果。

    Jun, 2022

  • 基于双层交互的领域自适应语义分割

    本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

    Jul, 2023

  • 多目标无监督领域自适应语义分割

    通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。

    May, 2024