该论文提出了一种新的 DAOD 框架 SIGMA,它通过匹配图模型解决了 DAOD 中存在的语义差异和类内差异问题,实验表明该框架的检测效果优于现有的方法。
Mar, 2022
本文提出一种利用域图编码域相邻度的方法,将域统一 alignment 放松,以灵活的方式进行域对齐,并基于图结构推广现有的对抗学习框架,成功地将域信息自然地纳入域自适应方法,提高了现有域自适应方法在综合和真实数据集上的效果。
Feb, 2022
本文研究领域适应和泛化中的预测领域适应的问题,提出了一种能够通过图形利用辅助域中信息的深度学习架构,同时提出了一种简单有效的策略,能够在测试时利用流入的目标数据进行连续的领域适应,并在三个基准数据库上进行了实验证明了我们方法的价值。
Mar, 2019
本研究提出一种面向带有噪声注释的领域自适应目标检测(DAOD)的框架,包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术,将语义信息纳入学习过程,取得了不错的实验成果。
Apr, 2022
该研究提出了一种新的 CNN 模型迁移多样性学习的方法,将权重视为一系列运动模式,通过抑制特定领域的干扰,并集中在领域不变方向上,成功地在多个对象检测任务中实现了显著的性能提升。
May, 2021
本文中,我们提出了一个统一的多粒度对齐的对象检测框架,以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图,首先开发了全尺度门控融合模块来聚合实例的判别表示,从而实现了强大的多尺度目标检测。与此同时,我们提出了多粒度鉴别器,以识别样本(即像素、实例和类别)不同粒度来自哪个领域。在不同的背骨骼架上,我们进行了广泛的实验,证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
本文提出了一种基于生成对抗网络的方法,通过在像素空间中学习一种转换方法,将源域图像适应为与目标域相同的样子,以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本,而且在许多无监督域适应场景中均优于现有技术,并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。
Dec, 2016
本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题,提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架,并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取,实验结果表明,该框架可以有效执行领域适应和构建知识图谱的任务。
Nov, 2022
我们提出了一种无监督领域适应方法,该方法通过使用类正则化的超图匹配,考虑目标域中仅有的未标记数据,在标准对象识别数据集上的实验验证了我们的框架有效性。
May, 2018
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