Mar, 2024

内窥镜视觉里程计的高效领域自适应

PDF
TL;DR提出了一种用于内窥镜视觉测距的高效神经风格转换框架，将术前规划领域与术中真实领域进行培训信息的域适应，以在不到五分钟的时间内压缩从术前规划到测试阶段的时间，并通过利用术前先验信息在训练模块中仅使用有限数量的真实图像来大大缩短训练时间。在测试阶段，提出了一种新颖的测试时间适应方法来减轻训练和测试数据集之间光照条件的差距。在两个公共内窥镜数据集上进行的实验评估显示，该方法在视觉测距任务中实现了最先进的准确性，同时拥有最快的训练速度，这些结果对术中手术应用具有重要的前景。
发现论文，激发创造
  • 面向开放世界的泛化：在线适应深度视觉里程计

    本研究提出了一种基于场景不可知几何计算和贝叶斯推理的在线适应深度视觉里程计的框架，该方法采用了自监督学习，解决了深度学习视觉里程计训练数据和测试数据之间的域差异，通过光流和深度等信息实现姿态估计，具有良好的通用性和自适应性。

    Mar, 2021

  • 基于对象的（却不局限于类的）视频领域适应

    视频领域适应的对象化（但类别不可知）视频领域适应（ODAPT）框架通过利用目标领域中一组稀疏的具有类别不可知对象注释的帧来适应现有的动作识别系统，为新领域的适应提供了一种简单而有效的方法。

    Nov, 2023

  • 可以转移什么：内窥镜病变分割的无监督域自适应

    我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D 和 T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。

    Apr, 2020

  • 基于优化轨迹提纯的医学图像领域自适应分类

    我们提出了优化轨迹蒸馏，这是一种统一的方法，从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估，结果证明了其在临床和开放世界中的显著效果和改进。

    Jul, 2023

  • 生成敌对网络用于视频到视频的域自适应

    本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

    Apr, 2020

  • 面向资源受限型硬件的单目深度估计视觉域自适应

    针对视觉域适应的背景下，在资源受限的硬件上训练深度神经网络的问题，通过采用压缩技术、有效且硬件感知的架构设计以及对多样的操作环境进行模型自适应解决，实验结果表明，只有使用有效网络架构和少量的训练数据才足以实现图像深度估计。

    Aug, 2021

  • 深度视觉域自适应

    本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

    Dec, 2020

  • 深度完成的测试时间适应

    通过在线测试时适应方法来解决性能衰退和域间差异问题，改善单张图像和稀疏深度图的深度完成任务。

    Feb, 2024

  • 领域自适应视觉观察的模仿学习

    在这篇论文中，我们考虑了具有视觉观测的领域自适应模仿学习，其中目标领域中的一个代理通过观察源领域中的专家示范来学习执行任务。我们提出了一种新的框架，通过双重特征提取和图像重构从输入观测中提取领域无关的行为特征，以克服视觉观察中跨领域模仿学习中的领域转移问题。实证结果表明，我们的方法优于先前的具有领域转移的视觉观察模仿学习算法。

    Dec, 2023

  • 内窥镜单目深度预测任务导向的领域差异减小

    该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

    Oct, 2023