CVPRMar, 2024

语义、畸变和风格重要性：面向无源 UDA 的全景分割

PDF
TL;DR本文提出了一种用于针孔图像到全景图像语义分割的无源无监督域自适应（SFUDA）的新方法，该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块（PPAM），以及跨双重注意模块（CDAM），通过提取并转移知识实现域间适应。实验证明，该方法在合成和真实世界基准测试中表现显著优于现有的 SFUDA 方法。
source-free unsupervised domain adaptationpinhole-to-panoramic semantic segmentationtangent projectionpanoramic prototype adaptation modulecross-dual attention module
发现论文，激发创造
  • 360SFUDA++：面向全景分割的无源 UDA：学习可靠的类别原型

    本文研究了针对针孔到全景语义分割的无源无监督域自适应（SFUDA）问题，通过仅有预训练的针孔图像模型（即源模型）和未标记的全景图像（即目标模型）。我们提出了一种名为 360SFUDA ++ 的方法，有效地从源针孔模型中提取知识，并将可靠的知识转移到目标全景领域。我们利用切线投影（TP）和等面积投影（ERP）分别进行知识提取，并引入了 RP2AM 和 CDAM 模块以更好地转移和对齐知识。通过在合成和真实场景的广泛实验中表明，我们的方法相较于先前的 SFUDA 方法具有显著更好的表现。

    Apr, 2024

  • 风格和扭曲都很重要：双路径无监督域自适应用于全景语义分割

    本文提出了一种新颖而灵活的双路径无监督域自适应框架，DPPASS，利用 ERP 和切向投影 TP 图像作为输入；通过交叉投影和内部投影训练来减少域差异，最终在两个基准测试中实现了超过 1.06％的 mIoU 增量。

    Mar, 2023

  • 从邻域出发：面向全景语义分割的畸变感知无监督领域自适应

    通过无监督领域自适应方法，本文提出了一种针对全景语义分割中的畸变问题的新型方法，通过捕捉邻近像素的分布和使用记忆库来优化特征表示，从而显著提高性能并减少参数。

    Aug, 2023

  • 通过无监督域自适应实现超出视野的密集全景语义分割

    本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

    Oct, 2021

  • 无源域自适应语义分割

    通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

    Mar, 2021

  • DensePASS: 通过注意力增强的上下文交换进行密集型全景语义分割的无监督域适应

    本文采用领域适应的角度，针对 360 度车载相机图像的全景语义分割问题，提出了使用基于注意力机制的跨域全景语义分割框架，并公开了一个密集标注且包含有标注和无标注的全景图像数据集 DensePASS。在两个标准分割网络中使用我们的框架，相对 Mean IoU 会在 6.05% 和 11.26% 之间获得排名的提高。

    Aug, 2021

  • 基于时空像素级对比学习的无源域自适应视频语义分割

    本文研究了视频语义分割的源无域自适应（SFDA），提出了一种新的叫做 Spatio-Temporal Pixel-Level contrastive learning 的方法，该方法通过利用时空信息来解决源数据缺失的问题，并在视频语义分割基准测试中取得了最先进的性能。

    Mar, 2023

  • 通过粗细自我监督进行息肉分割模型的无监督适应

    本文研究了一个实际问题 —— 无源域自适应（SFDA），提出了一种名为 RPANet 的新的 SFDA 框架，该框架通过粗细自监督学习来学习区域级和像素级有判别性的表示，实验表明 RPANet 在医学应用中超越了现有的 SFDA 和 UDA 方法。

    Aug, 2023

  • 开放式全景分割

    通过使用开放性全景分割任务，以及采用可变形适配器网络和随机全景等距投影数据增强方法，我们提出的 OOOPS 模型在三个全景数据集上均取得了令人瞩目的性能提升，特别是在野外环境 WildPASS 上达到了 + 2.2％，在室内环境 Stanford2D3D 上达到了 + 2.4％的平均交并比（mIoU）

    Jul, 2024

  • T-UDA：序列点云中的时态无监督领域适应

    通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为 T-UDA（时间 UDA），该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。

    Sep, 2023