CVPRApr, 2024

领域校准适配器用于跨领域少样本分割

PDF
TL;DR在少样本语义分割中，通过使用适配器将不同目标域风格矫正到源域，来提高现有方法在领域转移中的性能。我们提出了一种局部 - 全局样式扰动方法，用于模拟不同潜在目标域，并引入一个循环域对齐模块来有效地校正域。大量的实验证明了我们的方法的有效性，并在跨域少样本语义分割任务中取得了有希望的结果。
few-shot semantic segmentationdomain shiftsadapterstyle perturbation methodcyclic domain alignment module
发现论文，激发创造
  • 调适先于比较：跨域少样本分割的新视角

    面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

    Feb, 2024

  • DARNet: 动态适应下的跨域少样本分割中填补领域差距

    跨域少样本分割中的动态自适应细化方法 (Dynamically Adaptive Refine, DARNet)，包括通道统计扰动和自适应细化自匹配技术，以及测试时的自适应方法（Test-Time Adaptation, TTA），在跨域少样本分割任务中显著超越了现有方法的性能。

    Dec, 2023

  • Few-shot 自适应 Faster R-CNN

    提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

    Mar, 2019

  • 跨域少样本语义分割基于双重匹配变换

    跨领域少样本语义分割（CD-FSS）旨在训练能够用少量标记图像从不同领域分割类别的通用模型。本文提出了基于双重匹配变换网络（DMTNet）的算法来解决特征转换中的问题。通过使用自匹配变换（SMT）构造基于查询图像自身的查询特定变换矩阵，而不是完全依赖支持图像，可以防止过拟合。此外，还提出了测试时间自校准（TSF）策略来更准确地在未知领域中自动调整查询预测。在四个流行数据集上进行的广泛实验表明，DMTNet 相比最先进的方法获得了卓越的性能。

    May, 2024

  • 跨领域少样本分割通过迭代支持查询对应挖掘

    跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割，论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险，并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略，通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平 (+7.8%)，验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。

    Jan, 2024

  • 标签驱动的域自适应语义分割重建

    该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

    Mar, 2020

  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021

  • 预训练网络的少样本领域适应

    提出了一种少样本领域自适应框架，通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化，可改善源模型的分类性能，实验证明该方法优于测试时适应方法，并且没有实时流条件的限制。

    May, 2022

  • 面向语义分割领域自适应的语义感知图像翻译

    该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

    Sep, 2020

  • 人脸反欺诈的小样本领域扩展

    本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中 Few-Shot Domain Expansion 的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的 SASA 方法优于现有的方法。

    Jun, 2021