ECAP:基于大规模剪切粘贴增强的无监督域自适应语义分割
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
提出了一种名为 LIDAPS 的新型模型,通过 IMix 策略实现了实例级的域适应,提高了全景质量,并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题,在流行的全景无监督域适应基准测试中取得了最先进的结果。
Apr, 2024
本文提出一种基于伪标签的无监督域适应 (MFA) 方法,通过融合跨模型、时间和在线离线伪标签等三种策略,有效地提高了语义分割适应性。在两个广泛使用的基准测试上表现良好,分别达到 58.2% 和 62.5% 的 mIOU,创造了新的技术水平记录。
Dec, 2021
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
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。
Mar, 2024
本文提出一种新颖的基于自我监督领域自适应的方法,通过利用语义分割模型的尺度不变性属性,可以在不同尺度的补丁之间转移标签,使用动态类特定熵阈值机制过滤出不可靠的伪标签,并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题,实验结果表明,该方法在 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的数据集上优于基于现有自我监督方法的最新领域自适应方法, VGG16-FCN8 基线网络效果提高了 1.3%和 3.8%。
Jul, 2020
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
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 2021
本文提出了一种基于 IAPC 学习的端到端无源领域适应语义分割方法,通过重视度感知机制和原型对比策略从经过训练的源模型和未标注的目标领域中学习特征,解决了在现实驾驶场景中领域转移很难处理的问题。实验结果表明,该方法在两个领域适应语义分割基准测试中优于现有的最先进方法。
Jun, 2023