Apr, 2024

多级对齐的领域自适应姿态估计

PDF
TL;DR我们提出了一种多层次域适应方法，利用图像风格转换、对抗训练和自监督学习来同时在图像、特征和姿态水平上进行域间对齐，实现了在姿态估计中的显著改进，超越了现有最先进算法，对人体姿态的改进高达 2.4％，对狗的改进高达 3.1％，对羊的改进高达 1.4％。
domain adaptive pose estimationmulti-level domain adaptationimage style transferadversarial trainingself-supervised approach
发现论文，激发创造
  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 缓解人类水平转移：多人姿态估计的稳健领域自适应方法

    本文提出了一种新颖的领域适应方法，用于多人姿态估计，以进行人类级别的拓扑结构对齐和细粒度特征对齐。通过三个模块实现：交叉注意力特征对齐（CAFA），域内结构自适应（ISA）和域间人 - 拓扑对齐（IHTA）模块，证明了该算法优于现有最佳算法。

    Aug, 2020

  • 从合成到真实：用于动物姿态估计的无监督域适应

    本文提出了一种基于多尺度领域自适应模型以及一种在线粗到细的伪标签更新策略的方法来解决动物姿势估计中标签不足的问题，并在未见过的领域和未见过的动物类别上进行了广泛测试，取得了还不错的实验效果。

    Mar, 2021

  • 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

  • 动物姿势估计的跨域适配

    本文介绍了一种利用跨域适配方法和人类姿态数据集提升多种动物物种姿态估计的方法。实验表明，该方法可以很好地利用先验知识，并取得令人信服的结果。

    Aug, 2019

  • 无源域自适应人体姿势估计

    提出了一种新的任务 —— 无源域适应人体姿态估计（HPE），并通过构建源模型、中间模型和目标模型的新框架，从源保护和目标相关两个角度解决了跨域学习的挑战。在几个领域自适应 HPE 基准测试中进行的综合实验表明，该方法在性能上明显优于现有方法。

    Aug, 2023

  • 将像素和特征级域自适应联合用于野外识别

    通过深度域自适应进行知识迁移来提高性能，本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域，并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目标图像的意见。

    Feb, 2018

  • 人体姿态估计的先导引导无源域自适应

    本文介绍一种基于先验引导的自训练方法（POST），通过使用伪标签和人体姿势先验知识，在没有源数据的情况下，使源模型适应新的目标领域，在姿势估计任务中取得了相当的性能提升。

    Aug, 2023

  • 通过新视角合成和特征分离来进行领域自适应全脸注视估计

    本研究提出了一个训练数据合成和注视估计模型的有效训练流程，用于无监督域自适应，包括使用单幅图像 3D 重建来扩展源域中头部姿势的范围，提出了一个自编码器网络来分离与注视相关的特征，并引入背景增强一致性损失来利用合成源域的特点，在多个目标域上进一步提高了性能。

    May, 2023

  • 车道检测的多层域适应

    本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战， 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足， 在两个挑战性数据集 TuSimple 和 CULane 中，我们的方法相对于现有领域自适应算法，在准确性和 F1 分数方面分别提高了 8.8％和 7.4％。

    Jun, 2022