CVPRApr, 2024

面向恶劣图像条件下的视频目标检测的无源域适应

PDF
TL;DR我们提出了一种用于视频目标检测的简单而有效的无源域自适应方法，STAR-MT。通过改进 YOLOV 方法，在包括噪声、气流湍流和雾霾等恶劣图像条件下，我们的方法始终提高了视频目标检测性能，展示了其在现实世界应用中的潜力。
video object detectiondomain gapsource-free domain adaptationone-stage detectorsadverse image conditions
发现论文，激发创造
  • 通过学习时间一致性进行动作识别的无源视频域自适应

    本研究提出了一种名为 ATCoN 的新的注意力机制深度神经网络，以解决视频领域无源域自适应的挑战，该网络通过学习特征一致性和源预测一致性来提高时间一致性，并使用预测置信度优化局部与整体时间特征，该方法在不同领域的动作识别基准中表现出卓越的性能。

    Mar, 2022

  • 无源领域自适应遥感图像物体检测

    该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

    Jan, 2024

  • 无源目标检测的对抗性对齐

    本文提出了一种基于生成伪标签和对抗学习技术的无源目标检测方法，将目标域划分为相似子集和不相似子集，并通过平均教师框架中的对抗模块来提高伪标签的质量，实验表明该方法在跨域目标检测方面表现优异。

    Jan, 2023

  • SF-FSDA: 高效标记数据工厂的无源少样本域自适应目标检测

    本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。

    Jun, 2023

  • 基于时空像素级对比学习的无源域自适应视频语义分割

    本文研究了视频语义分割的源无域自适应（SFDA），提出了一种新的叫做 Spatio-Temporal Pixel-Level contrastive learning 的方法，该方法通过利用时空信息来解决源数据缺失的问题，并在视频语义分割基准测试中取得了最先进的性能。

    Mar, 2023

  • 通过无监督数据获得改进的在线无源领域自适应的目标检测方法

    移动机器人中的目标检测的有效性受到多样和陌生环境的挑战。本文通过无监督数据采集引入一种增强移动机器人中自适应目标检测的新方法，该方法以在线无源域自适应为基础，通过优先选择最具信息量的未标记样本来改进检测性能，并经过实证评估，结果显示我们的方法优于现有最先进的方法，证明了无监督数据采集在提高移动机器人自适应目标检测方面的可行性。

    Oct, 2023

  • 基于冻结多模式基础模型的无源域自适应

    源无关领域适应 (SFDA) 旨在适应一个源模型到目标领域，只能访问标记有监督源领域的预先训练的模型和无标记目标培训数据。我们首次探索了富含异构知识的现成视觉 - 语言多模态模型 (例如 CLIP) 的潜力，提出了一种新颖的蒸馏多模态基础模型 (DIFO) 方法来解决现有方法中不可避免的错误问题，并通过两个步骤的交替来使其任务特定化，实验结果表明 DIFO 显著优于现有的替代方法。

    Nov, 2023

  • 由视觉和视觉语言预训练引导的无源域自适应

    灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的 SFDA 方法。

    May, 2024

  • 透过文本到图像扩散实现跨领域：一种无源领域自适应方法

    提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

    Oct, 2023

  • 基于 Transformer 的无源域自适应

    本研究提出了一种基于 Transformer 的通用转换框架 TransDA，通过将 Transformer 作为注意力机制注入卷积网络中并针对目标伪标签进行自监督知识蒸馏方法，将模型的注意力集中于目标域的对象区域，提高了模型的泛化能力，并在三个领域自适应任务中获得了最先进的结果。

    May, 2021