Jun, 2024

PIG：夜间场景分割的提示图像引导

PDF
TL;DR通过利用 Prompt Images Guidance（PIG）来增强无监督领域自适应（UDA）的方法，本文提出了一种夜间场景解析（night-time scene parsing）的 Night-Focused Network（NFNet）以及两种数据增强策略（Prompt Mixture Strategy 和 Alternate Mask Strategy）来减轻 NFNet 对少数样本的过拟合，通过在四个夜间数据集上进行广泛实验，结果表明利用 PIG 可以提高 UDA 的解析精度。
night-time scene parsingunsupervised domain adaptationprompt images guidancenight-focused networkdata augmentation strategies
发现论文，激发创造
  • 夜晚更清晰：通过昼夜图像转换实现强健的夜间语义分割

    使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当” 是使得性能最为稳定的最佳选择。

    Aug, 2019

  • 夜间航空追踪的无监督领域自适应

    该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。

    Mar, 2022

  • 面向无监督域自适应夜间语义分割的动态小物体细化

    这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

    Oct, 2023

  • DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

    本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。

    Apr, 2021

  • 2PCNet: 为日夜无监督领域自适应物体检测训练开发的二阶段一致性训练

    该论文提出了一种名为 2PCNet 的两阶段一致性无监督领域自适应网络和一个针对夜晚图像的增强管道 NightAug，旨在解决夜晚目标检测困难的问题，经实验证明，其结果比现有技术高出 20％。

    Mar, 2023

  • 合作学习：夜间物体检测中的无监督领域自适应导航

    CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.

    Apr, 2024

  • 基于地图引导的课程适应、不确定性感知评估：夜晚语义图像分割

    通过逐步改进昼夜时间的语义分割模型，并使用新的不确定性感知注释和评估方法，以及使用我们创建的数据集 - Dark Zurich 数据集，相对于之前的研究工作，我们已经在夜间数据集中达到了更好的结果。

    May, 2020

  • 领域无关的互助自适应方法用于无监督领域适应

    利用大规模预训练视觉 - 语言模型的知识进行领域不可知的相互提示，通过互相对齐视觉和文本嵌入来利用领域不变的语义，并通过语义一致性损失和实例差异对齐损失进行规则化，实验证明 Domain-Agnostic Mutual Prompting（DAMP）相较于现有方法在三个无监督领域自适应基准上具有优势。

    Mar, 2024

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023

  • 暗面增强：为度量学习生成多样的夜间样本

    基于 CNN 描述符的图像检索方法依赖于从大量不同的正负图像对中进行度量学习。我们提出了一种基于 GAN 的合成图像生成器，将白天图像示例转换为夜晚图像，用作度量学习的一种形式的增强，并评估了各种类型的生成器。我们提出了一种通过边缘一致性增强原始图像与转换图像之间一致性的新型轻量级 GAN 架构，同时训练了一种适用于夜晚和白天图像的边缘检测器，并提出了一种多样锚点挖掘的新方法，旨在增加训练示例的变化性并最大化训练模型的泛化能力。该方法在标准的东京 24/7 昼夜检索基准上优于现有技术，同时保持了对牛津和巴黎数据集的性能。

    Sep, 2023