Mar, 2024

农业物体检测领域自适应中的扩散

PDF
TL;DR该研究提出了 DODA，一种能够在农业领域生成高质量物体检测数据的数据合成器，通过将布局编码为图像，提高了布局到图像的可控性，从而改善了标签的质量，并使用视觉编码器为扩散模型提供视觉线索，使模型能够在新领域生成数据。在全球小麦头部检测（GWHD）数据集上，采用 DODA 合成的数据提高了目标检测器在与训练数据显著不同的领域中的表现，AP$_{50}$ 提升了 12.74-17.76。
generative modelssynthetic dataobject detectiondodaagriculture
发现论文，激发创造
  • DreamDA: 用扩散模型进行生成型数据增强

    该论文提出了一个新的基于扩散模型的分类导向框架 DreamDA，通过考虑训练图像中的原始数据作为种子并扰动其反扩散过程，DreamDA 生成符合原始数据分布的多样样本，并引入自训练范式生成伪标签和使用合成数据训练分类器，在四个任务和五个数据集上进行的广泛实验证明了 DreamDA 在合成高质量多样的图像并生成准确标签方面的有效性。

    Mar, 2024

  • 基于数据的 Sim-to-Real 领域自适应方法，用于 3D 语义分割

    本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

    Apr, 2022

  • ODGEN: 使用扩散模型进行领域特定目标检测数据生成

    ODGEN 是一种新的条件高质量图像生成方法，用于生成复杂场景中多类对象和具有遮挡的密集对象，进而促进目标检测数据的合成。通过在裁剪的前景对象和整个图像上对预训练的扩散模型进行微调，再借助合成的视觉提示和对象描述来控制扩散模型，ODGEN 在处理复杂场景和特定领域方面表现出了鲁棒性，并通过数据集合成管道在 7 个特定领域的基准测试中进行了评估以展示其有效性，与 YOLOv5 和 YOLOv7 等对象检测器相比，添加 ODGEN 生成的训练数据可以将 [email protected]:.95 改善高达 25.3%，而且在基于 COCO-2014 的评估协议下，ODGEN 在一般领域中的 [email protected]:.95 优势高达 5.6%。

    May, 2024

  • 基于目标导向领域增强的半监督领域适应用于 3D 物体检测

    这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

    Jun, 2024

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 深度域自适应目标检测：一份综述

    本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

    Feb, 2020

  • BlenDA：通过基于扩散的混合实现域自适应目标检测

    通过生成中间领域的伪样本及其对应的软域标签以进行自适应训练，我们提出了一种用于领域自适应目标检测的新型正则化方法 BlenDA，旨在解决源域与目标域之间存在的较大领域差异问题。根据两个适应性基准的实验结果，我们提出的方法能显著提高最先进的领域自适应目标检测器 Adversarial Query Transformer (AQT) 的性能，在 Cityscapes 至 Foggy Cityscapes 自适应中，我们在 Foggy Cityscapes 数据集上实现了 53.4% 的平均准确率 (mAP)，超过了先前的最先进方法 1.5%。值得注意的是，我们提出的方法也适用于各种领域自适应目标检测范式。

    Jan, 2024

  • 半自监督域适应：利用有限标注数据开发小麦穗分割的深度学习模型

    利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

    May, 2024

  • 利用图生成提升领域自适应物体检测

    通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

    Apr, 2024

  • 无人驾驶目标检测中基于像素和特征级别的域自适应

    本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

    Sep, 2018