Sep, 2024

无监督领域适应下的分割任务逐层模型合并

HTML
PDF
TL;DR本研究解决了先前工作中合并多模型造成的高成本问题，提出了一种无成本的逐层模型合并方法，通过整合不同模型的初始层而保持任务特异性最终层的独特性，确保参数一致性。这一方法在无监督领域适应中展示出显著的性能提升，实验证明同构模型和异构模型的合并均可有效提高mIoU和mPQ。
发现论文，激发创造
  • 语义分割中的无监督域适应：综述

    本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

    May, 2020

  • 无监督模型适应连续语义分割

    本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

    Sep, 2020

  • 无监督批归一化适应（UBNA）：一种域自适应方法，用于语义分割而不使用源域表示

    本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。

    Nov, 2020

  • 基于补丁对比学习的语义分割领域自适应

    本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

    Apr, 2021

  • 多模态融合自适应：无监督语义分割自适应强框架

    本文提出一种基于伪标签的无监督域适应(MFA)方法，通过融合跨模型、时间和在线离线伪标签等三种策略，有效地提高了语义分割适应性。在两个广泛使用的基准测试上表现良好，分别达到58.2%和62.5%的mIOU，创造了新的技术水平记录。

    Dec, 2021

  • 语义分割的无监督域自适应重新思考

    该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的UDA方法的超参数和使用少量标记数据进行微调的效果。

    Jun, 2022

  • 基于双层交互的领域自适应语义分割

    本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

    Jul, 2023

  • 多目标无监督领域自适应语义分割

    通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。

    May, 2024

  • 探索视觉基础模型在无监督领域自适应中的优势

    在计算机视觉领域，研究通过视觉基础模型和无监督域自适应方法在语义分割任务中的结合对提升无监督域自适应性能和增强视觉基础模型外分布泛化能力具有重要价值。实验结果表明，将视觉基础模型与无监督域自适应方法相结合，不仅能在维持视觉基础模型外分布性能的同时提升无监督域自适应性能，还可以减少耗时的组件，大幅提升推理速度，并取得了远超现有状态的良好表现。

    Jun, 2024

  • 划分、集成与征服：自主域适应中的最后一英里-车载语义分割

    提出了DEC，这是一个灵活的多源数据集的UDA框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的UDA方法相结合，在Cityscapes、BDD100K和Mapillary Vistas上实现了最先进的性能。

    Jun, 2024