Mar, 2024

基于因果原型启发的对比适应性算法在高分辨率遥感图像的无监督领域自适应语义分割中的应用

PDF
TL;DR本文提出了一种因果原型启发的对比适应方法（CPCA）来探索不同高分辨率遥感图像领域及其语义标签之间的不变因果机制，通过因果特征分解模块将因果特征和偏差特征从源域和目标域图像中解开，然后使用因果原型对比模块学习域不变的因果特征，并引入因果干预模块对偏差特征进行干预以生成反事实无偏样本，通过强制因果特征符合可分离性、不变性和干预的原则，CPCA 能够模拟源域和目标域的因果因素，并基于因果特征在目标域上做出决策，从而提高了泛化能力。在三个跨域任务的大量实验中，CPCA 明显优于现有的最先进方法。
发现论文，激发创造
  • 粗到精的域自适应语义分割：光度对齐和类别中心正则化

    本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

    Mar, 2021

  • HRDA：上下文感知高分辨率领域自适应语义分割

    本文提出了一种多分辨率训练方法 HRDA，结合小的高分辨率裁剪和大的低分辨率裁剪，以及学习到的比例关注，以保留精细的分割细节和捕获远程、域鲁棒性的上下文信息，从而显著提高了语义分割的 UDA 性能，并使其在 GTA 到 Cityscapes 和 Synthia 到 Cityscapes 的 mIoU 上分别达到了 73.8 和 65.8。

    Apr, 2022

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • 区域对比一致性正则化的域自适应语义分割

    本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

    Oct, 2021

  • 上下文关系一致的领域自适应语义分割

    本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

    Jul, 2020

  • 通过 Avatar 原型生成和适应实现无源域自适应

    本文提出了一种新的方法，称为反映原型的对比生成和调整方法（CPGA），用于解决源自由的无监督域适应问题，并证明其在三个 UDA 基准数据集上的有效性和优越性。

    Jun, 2021

  • 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

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 基于内部表示的在线连续域适应语义图像分割

    本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

    Jan, 2024

  • 一种以对抗扰动为导向的领域自适应语义分割方法

    该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

    Dec, 2019