Dec, 2023

增强目标检测器对领域偏移的鲁棒性

PDF
TL;DR提出了一种数据增强方法，用于提高驾驶物体检测器在领域转换中的稳健性，并通过采用 YOLOv4 作为基本物体检测器，实验证明在源数据和目标数据域上的性能显著提升。
发现论文，激发创造
  • 领域自适应目标检测的强健学习方法

    本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

    Apr, 2019

  • 提升单一领域通用目标检测：注意多样化和对齐

    解决目标检测的领域泛化问题，通过多样化源域和基于类别预测置信度和定位的对齐检测，并在安全关键应用中做出准确决策。

    May, 2024

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 领域自适应快速 R-CNN 用于野外物体检测

    本文旨在提高物体检测的跨域鲁棒性，通过基于 Faster R-CNN 的两级域自适应组件来解决图像水平和实例水平的域偏移问题，实现域不变的 RPN 学习，从而提高物体检测在不同领域转移场景下的有效性。

    Mar, 2018

  • 增强物体检测可靠性：一种基于合成和自然扰动的方法

    本研究针对物体检测模型在实际应用中所面临的实际分布转移困境，探讨了通过模拟自然干扰（如光照、模糊和亮度的变化）及相应的数据增强技术来评估和提高模型的鲁棒性。经过综合的剖析研究及实验，发现使用数据增强技术中的合成干扰可以有效提高模型的鲁棒性，并提供了相应的实测核实数据及有价值的洞察力。

    Apr, 2023

  • 通过对抗性学习实现鲁棒准确的物体检测

    本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

    Mar, 2021

  • 分析视频和图像之间目标检测领域漂移因素

    本文研究对象检测在图像与视频领域中的性能差异，探究其原因并分别评估了空间位置准确性、外观多样性、图像质量和比例分布等四种不同领域变量的影响，发现这些因素对检测器的性能都有影响，并且综合效应可解释近乎全部性能差异。

    Jan, 2015

  • AcroFOD：一种跨领域少样本对象检测的自适应方法

    本文提出一种新方法以应对跨域少样本目标检测面临的数据不足及误导等问题，该方法由自适应优化策略与多层次领域感知数据增强两部分构成，最终在多个基准测试中取得最优表现。

    Sep, 2022

  • 通过渐进式域自适应进行跨领域弱监督物体检测

    本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

    Mar, 2018

  • 多尺度域自适应 YOLO 用于跨域目标检测

    介绍一种新的多尺度域自适应 YOLO (MS-DAYOLO) 框架，利用多条域适应路径和相应的域分类器来生成域不变特征，用于目标检测和自动驾驶等场景中的应用。在常用数据集上的实验表明，使用所提出的 MS-DAYOLO 在训练 YOLOv4 时，能够在模拟自动驾驶场景下的复杂环境中达到显著的目标检测性能改进。

    Jun, 2021