CVPRMar, 2024

基于协方差对齐和语义一致性对比学习的风格盲领域广义语义分割

PDF
TL;DR为了解决深度学习模型在未知目标域中的语义分割性能下降的问题，本研究提出了一种名为 BlindNet 的新型域泛化语义分割方法，通过盲化样式且无需外部模块或数据集来提高编码器中样式的鲁棒性，同时通过协方差对齐和语义一致性对比学习来提高解码器的分割性能，实验结果表明，BlindNet 方法在语义分割中性能优越且鲁棒性强。
deep learningsemantic segmentationdomain generalizedstyle variationsblindnet
发现论文，激发创造
  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • 通过减少风格偏见来减小领域差距

    本文提出的 Style-Agnostic Networks (SagNets) 能同时减小卷积神经网络的视觉风格偏差和提高跨领域的性能，拓展了卷积神经网络的应用范围。

    Oct, 2019

  • 基于风格幻像的领域通用语义分割的双一致性学习

    本文研究复杂的图像语义分割中的合成到真实领域的问题，提出一种基于 SHADE 框架的新方法，其中包括使用一些连续性约束来保持模型学习到的属性之间的一致性，并利用样式幻化模块产生样式多样化的数据集以平衡域间差异。实验结果表明，该方法在单源和多源设置下，在三个真实数据集上平均提升了 5.05％和 8.35％。

    Apr, 2022

  • 基于源域内样式增强的领域泛化方法

    本文提出了一种基于掩码噪声编码器的内源样式增强（ISSA）方法，通过增加训练数据多样性和减少错误相关性，实现了深度学习模型对领域偏移的泛化能力提升，并取得了在语义分割中高达 12.4% 的 miOU 提升。

    Oct, 2022

  • 基于样本的内部和外部来源范例合成，以提高领域泛化能力

    提出了一种基于样本图像的风格合成流程，以改进语义分割中的域泛化，并通过掩蔽噪声编码器用于 StyleGAN2 的翻转来实现，进一步提高了培训数据的多样性，结果在不同类型的数据偏移下实现了 '12.4％' 的 mIoU 改进。

    Jul, 2023

  • 基于风险厌恶的领域泛化快速神经风格平滑

    本论文提出了一种基于测试时间神经风格平滑和神经风格平滑训练程序的领域泛化风险规避分类器，该分类器使用神经风格转移模块实现实时的图片风格调整，并在测试时利用黑盒访问领域泛化分类器，通过对多种风格的图像的识别结果进行综合以提高预测抗风险的能力，并在已有领域泛化方法中具有可无缝集成性。

    Jul, 2023

  • 对比、风格化和适应：用于域自适应语义分割的无监督对比学习框架

    本文提出使用有别于过往方法的对比公式来实现 CONtrastive FEaTure and pIxel alignment (CONFETI)，并使用类别间跨领域信息将像素级和特征级（采用像素原型对比方法）的对齐相结合，以用于解决合成和真实世界数据集之间的领域缺口问题，在 DeepLabV2 上优于现有最先进方法。

    Jun, 2023

  • 条件不变的语义分割

    通过样式化实现特征级别自适应，使编码器提取与输入样式无关的特征，这可以促使解码器更好地解析这些特征而不是与输入样式有关的其他抽象内容。这种方法在领域适应方面取得了显著的改进。

    May, 2023

  • 对抗样式增强用于领域泛化城市场景分割

    本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

    Jul, 2022

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022