CVPRApr, 2024

无监督领域适应结构搜索与自我训练用于地表覆盖图制作

PDF
TL;DR通过将马尔可夫随机场神经架构搜索（MRF-NAS）与自训练无监督域适应（UDA）结合为单一框架，本研究在有限的计算预算下为土地覆盖映射任务搜索出高效且有效的轻量级神经网络，该网络在 OpenEarthMap 和 FLAIR＃1 这两个近期数据集上表现出了令人满意的性能。
unsupervised domain adaptationland cover mappingneural network architecturesmarkov random field neural architecture search (mrf-nas)self-training scheme
发现论文，激发创造
  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

    Apr, 2023

  • 基于实例自适应技术的无监督领域自适应自训练

    本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

    Aug, 2020

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 2021

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 基于类平衡自训练的语义分割领域自适应

    本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

    Oct, 2018

  • LiDAR-UDA: 时间自组织的无监督 LiDAR 域适应

    LiDAR-UDA 是一种新颖的两阶段自我训练无监督域适应（UDA）方法，用于 LiDAR 分割，通过引入两种技术，即 LiDAR 束采样和交叉帧合成，以减少传感器差异并改善伪标签质量，我们的方法在公共 LiDAR 数据集上表现优于现有方法，平均 mIoU 提高超过 3.9%。

    Sep, 2023

  • 语义分割中的无监督域适应：综述

    本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

    May, 2020

  • 一种新的双向无监督域自适应分割框架

    本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应（BiUDA）框架，来提高医疗图像分析中深度学习模型在不同领域间迁移性能，实验结果显示该框架优于当前先进的方法。

    Aug, 2021