CVPRMay, 2024

面向单源域广义目标检测的无偏 Faster R-CNN

PDF
TL;DR提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。
single-source domain generalizationobject detectionunbiased faster r-cnncausal perspectivestructural causal model
发现论文，激发创造
  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 无限制物体检测的多重对抗 Faster-RCNN

    本文提出了一种多级对抗 Faster-RCNN（MAF）框架，用于在非受限环境中利用从具有足够标签的辅助源域训练的领域知识检测对象，其中包括多个对抗域分类器亚模块、信息不变的尺度降低模块（SRM）以及加权梯度翻转层（WGRL）等，实验结果表明，MAF 在 Cityscapes，KITTI，Sim10k 等非受限任务中的表现优于现有检测器。

    Jul, 2019

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    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

  • 基于不确定性引导的对比学习在单源领域泛化中的应用

    通过引入一种新型模型 Contrastive Uncertainty Domain Generalisation Network (CUDGNet) ，本文提出了在单一域上训练的模型能够在面对多个陌生领域时展现出强大性能的方法。该方法通过虚拟域生成器增强输入和标签空间的源容量，并通过对比学习来联合学习每个类别的域不变表示。在两个 Single Source Domain Generalisation (SSDG) 数据集上的大量实验证明了我们方法的有效性，超过了最先进的单 - DG 方法高达 7.08%。我们的方法还能够通过生成子网络的单次前向传递有效地进行不确定性估计。

    Mar, 2024

  • 基于单侧域泛化的人脸防欺诈

    提出了一种单边领域泛化（SSDG）框架，通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布，从而提高了面部反欺骗的泛化能力，并使用端到端的训练方式，通过实验证明该方法在四个公共数据库上优于现有的方法。

    Apr, 2020

  • 用于单源域泛化的 CNN 特征图增强

    本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

    May, 2023

  • 渠道中有鬼：对医学图像分割进行对比单一领域泛化

    本研究提出了一种基于 CCSDG 模型的医学图像分割方法，该模型使用浅层特征和样式增强的对应图像进行对比训练，从而实现了对通道级特征的解缠结和结构特征的分离，取得了比基准模型和其他所有竞争方法更好的效果。

    Jun, 2023

  • 领域自适应快速 R-CNN 用于野外物体检测

    本文旨在提高物体检测的跨域鲁棒性，通过基于 Faster R-CNN 的两级域自适应组件来解决图像水平和实例水平的域偏移问题，实现域不变的 RPN 学习，从而提高物体检测在不同领域转移场景下的有效性。

    Mar, 2018

  • 基于语义引导的特征对齐的目标检测半监督域泛化

    本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

    Sep, 2023