360SFUDA++：面向全景分割的无源 UDA：学习可靠的类别原型

Apr, 2024

360SFUDA++：面向全景分割的无源 UDA：学习可靠的类别原型

360SFUDA++: Towards Source-free UDA for Panoramic Segmentation by Learning Reliable Category Prototypes

Xu Zheng, Pengyuan Zhou, Athanasios V. Vasilakos, Lin Wang

TL;DR本文研究了针对针孔到全景语义分割的无源无监督域自适应（SFUDA）问题，通过仅有预训练的针孔图像模型（即源模型）和未标记的全景图像（即目标模型）。我们提出了一种名为 360SFUDA ++ 的方法，有效地从源针孔模型中提取知识，并将可靠的知识转移到目标全景领域。我们利用切线投影（TP）和等面积投影（ERP）分别进行知识提取，并引入了 RP2AM 和 CDAM 模块以更好地转移和对齐知识。通过在合成和真实场景的广泛实验中表明，我们的方法相较于先前的 SFUDA 方法具有显著更好的表现。

Abstract

In this paper, we address the challenging source-free unsupervised domain adaptation (SFUDA) for pinhole-to-panoramic semantic segmentation, given only a pinhole image pre-trained model (i.e., source) and unlabel

source-free unsupervised domain adaptation semantic segmentation pinhole-to-panoramic tangent projection cross-projection dual attention module

发现论文，激发创造

语义、畸变和风格重要性：面向无源 UDA 的全景分割

本文提出了一种用于针孔图像到全景图像语义分割的无源无监督域自适应（SFUDA）的新方法，该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块（PPAM），以及跨双重注意模块（CDAM），通过提取并转移知识实现域间适应。实验证明，该方法在合成和真实世界基准测试中表现显著优于现有的 SFUDA 方法。

Mar, 2024

从邻域出发：面向全景语义分割的畸变感知无监督领域自适应

通过无监督领域自适应方法，本文提出了一种针对全景语义分割中的畸变问题的新型方法，通过捕捉邻近像素的分布和使用记忆库来优化特征表示，从而显著提高性能并减少参数。

Aug, 2023

风格和扭曲都很重要：双路径无监督域自适应用于全景语义分割

本文提出了一种新颖而灵活的双路径无监督域自适应框架，DPPASS，利用 ERP 和切向投影 TP 图像作为输入；通过交叉投影和内部投影训练来减少域差异，最终在两个基准测试中实现了超过 1.06％的 mIoU 增量。

Mar, 2023

通过无监督域自适应实现超出视野的密集全景语义分割

本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

Oct, 2021

通过粗细自我监督进行息肉分割模型的无监督适应

本文研究了一个实际问题 —— 无源域自适应（SFDA），提出了一种名为 RPANet 的新的 SFDA 框架，该框架通过粗细自监督学习来学习区域级和像素级有判别性的表示，实验表明 RPANet 在医学应用中超越了现有的 SFDA 和 UDA 方法。

Aug, 2023

无源域自适应语义分割

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

基于 LiDAR 的三维物体检测的无源无监督域自适应

本文提出了 SF-UDA^3D 框架，基于伪标注、可逆的尺度转换和运动相干性，将最先进的 PointRCNN 3D 检测器域自适应到无注释目标域中，结果在 KITTI 和 nuScenes 上都优于以前的特征对齐方法和最先进的 3D 目标检测方法。

Oct, 2020

基于上下文感知的无源域自适应眼底图像分割的伪标签优化

提出一种基于上下文感知的伪标签细化方法，通过学习上下文关系并根据特征距离计算，修正伪标签并校准以补偿不准确的修正，同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应，实验结果表明该方法在跨域眼底图像上取得了最优结果。

Aug, 2023

DensePASS: 通过注意力增强的上下文交换进行密集型全景语义分割的无监督域适应

本文采用领域适应的角度，针对 360 度车载相机图像的全景语义分割问题，提出了使用基于注意力机制的跨域全景语义分割框架，并公开了一个密集标注且包含有标注和无标注的全景图像数据集 DensePASS。在两个标准分割网络中使用我们的框架，相对 Mean IoU 会在 6.05% 和 11.26% 之间获得排名的提高。

Aug, 2021

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