CVPRMar, 2024

利用类间动态进行领域自适应物体检测

PDF
TL;DR我们提出了 Class-Aware Teacher（CAT）来解决域自适应设置中的类别偏差问题，并利用我们的 Inter-Class Relation module（ICRm）来近似类别关系，减少模型内的偏差，从而在高相关类别上使用增强方法以提高少数类别的性能，同时对多数类别影响最小。通过在不同数据集上的实验证明，我们的方法能够解决域自适应设置中的类别偏差问题，在 Cityscapes 到 Foggy Cityscapes 数据集上，我们实现了 52.5 mAP 的性能，显著改进了现有最先进方法的 51.2 mAP。
domain adaptive object detectionsemi-supervised student-teacher frameworkclass biasinter-class relation moduledomain adaptation
发现论文，激发创造
  • 增强跨域检测：自适应分类感知对比变换器

    我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。

    Jan, 2024

  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

    Nov, 2021

  • DA-CIL: 领域自适应，增量式的三维物体检测

    本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

    Dec, 2022

  • 基于教师的聚类对齐用于无监督领域适应

    本文提出了一种利用教师模型进行无监督领域自适应的聚类对齐方法，其针对源域和目标域的判别性聚类结构进行对齐，并在多种无监督领域自适应场景下实现了最先进的效果。

    Mar, 2019

  • 类增量领域自适应

    该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。

    Aug, 2020

  • 探索分类正则化用于领域自适应目标检测

    本研究提出一种基于分类正则化框架的域自适应目标检测方法，通过对图像级 / 实例级位移进行匹配以及对目标域关键图像区域的匹配减轻域位移，与传统的 Domain Adaptive Faster R-CNN 方法相比，实验证明该方法可以在各种域位移场景下取得显著的性能提升，且具有针对域自适应的关键区域能力。

    Mar, 2020

  • 域对抗性用于域自适应目标检测

    提出了域对抗 (Domain Contrast, DC)，一种受对比学习启发的简单而有效的方法，可用于训练域自适应检测器。DC 通过交叉域对比损失实现，保证了检测器的可转移性，并自然地缓解了目标域中的类别不平衡问题。广泛实验表明，DC 显著提高了基线和最先进技术，同时展示了大域分歧的巨大潜力。

    Jun, 2020

  • 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

  • CAT: 个性化图像生成的对比适配器训练

    通过对比适配器训练中的知识保存得分（Knowledge Preservation Score，KPS）以及采用 CAT 损失，我们展示了低成本下个性化图像生成的各种适配器，以及通过对比联适配器训练来提高适配器训练的简单而有效策略。

    Apr, 2024

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023