Mar, 2024

OurDB: 多目标领域自适应语义分割的 Ouroboric 域桥接

PDF
TL;DR多目标域自适应（MTDA）的研究挑战在于多个具有不同分布的目标域。本文提出了一种以单个教师架构为基础的 MTDA 框架，通过动态循环处理多个目标域，并利用 Fisher 信息来最小化对前面目标域知识的遗忘。同时，我们还提出了一种针对多目标域的上下文引导的类别混合技术（CGMix）。在四个城市驾驶数据集（GTA5、Cityscapes、IDD 和 Mapillary）上的实证评估表明，我们的方法优于现有的最先进方法。
multi-target domain adaptationsemantic segmentationmtdaouroboric domain bridgingcontext-guided class-wise mixup
发现论文，激发创造
  • ML-BPM: 开放式复合领域适应语义分割的双向光度混合多教师学习

    本文提出了一种基于多教师框架的光度混合自适应分割方法，用于解决开放式复合领域自适应问题，比现有方法效果更好。

    Jul, 2022

  • 语义分割中的多目标对抗框架跨域适应性

    本研究致力于解决面向多个目标域的无监督域自适应语义分割任务，提出了两种对抗性框架以实现多目标自适应，并在四个新的多目标基准测试中表现出色。

    Aug, 2021

  • 多目标域自适应的课程图协作教学

    本研究提出了一种通过特征聚合和课程学习相结合的双分类器模型 (Curriculum Graph Co-Teaching) 来实现多目标域自适应 (MTDA)，该模型使用图卷积网络 (GCN) 来聚合来自不同领域的样本特征，同时采用辅助的课程学习策略来获取可靠的伪标签，实验结果表明该模型在多个基准数据集上都取得了比现有方法更好的性能。

    Apr, 2021

  • 知识蒸馏实现的无监督多目标域自适应

    本文提出了一种新的无监督多目标域自适应方法，通过多教师知识蒸馏来训练 CNN，使其可以在多个目标领域上广义化。该方法通过逐步蒸馏目标域知识到一个共同的学生无直接学习域适应特征，同时保留每个目标（教师）的特异性以适应学生，通过在多项具有挑战性的 UDA 基准测试上的实证结果表明，我们提出的模型可以在多个目标域上提供较高水平的准确性。

    Jul, 2020

  • 基于伪目标域的多源无监督域自适应

    提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

    Feb, 2022

  • D3GU：通过增强领域对齐实现多目标主动领域自适应

    提出了一种名为 D3GU 的多目标主动域自适应框架，通过应用分解的域判别 (D3) 和梯度效用 (GU) 分数，实现源 - 目标和目标 - 目标域的对齐，同时还结合了 K 均值聚类进行样本选择，通过广泛实验证明 D3GU 在多目标主动域自适应方面具有一致优越的性能。

    Jan, 2024

  • ADAS: 面向多目标域自适应语义分割的直接适应策略

    本文提出了一个直接自适应策略（ADAS）, 通过设计多目标域转移网络（MTDT-Net），使用目标自适应去标准化（TAD）模块将源域的特征转移到目标域，同时使用双向自适应区域选择（BARS）减少类标签之间的歧义。MTDT-Net 和 BARS 的协作使 ADAS 在多目标域适应中取得了最先进的性能。

    Mar, 2022

  • 聚类，分裂，融合和更新：用于开放式复合领域自适应语义分割的元学习

    提出了一种基于元学习的 OCDA 方法 MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用 MAML 算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。

    Dec, 2020

  • 基于原型的均师多源领域自适应物体检测

    基于原型的均值教师（PMT）是一种新颖的多源领域适应方法，通过使用类原型而非特定于域的子网络来保持域特定信息，并使用对比损失来对不同类别进行对齐和分离，从而减小了参数大小与源域数量的关系，降低了内存问题和可能的过拟合，并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。

    Sep, 2023

  • 多域长尾识别、不平衡域泛化及其它

    研究多领域长尾识别（MDLT）的任务，该任务学习来自多领域的不平衡数据，同时处理标签不平衡、领域漂移和不同领域间标签分布的差异，并推广到所有领域 - 类别对。提出了 BoDA 这一理论上基础的学习策略，它跟踪 MDLT 中的传递性统计的上限，并确保在不平衡的领域 - 类别分布之间平衡对齐和校准。在五个 MDLT 基准测试中，与涵盖不同学习策略的二十种算法进行了比较，实验结果显示 BoDA 具有更好的性能表现。此外，BoDA 在领域泛化基准测试中建立了新的最优效果，凸显跨领域的数据不平衡问题的重要性，这对于提高对未知领域的泛化能力可能至关重要。

    Mar, 2022