Oct, 2024

GenGMM：基于广义高斯混合的领域适应模型用于语义分割

HTML
PDF
TL;DR本研究针对传统的无监督领域适应语义分割方法存在的依赖完全准确标签的假设问题，提出了一种广义领域适应（GDA）模型。通过引入广义高斯混合（GenGMM）模型，利用源域和目标域的弱标签和未标记数据，显著提高了在部分或噪声标签情况下的适应效果。实验结果表明，所提方法有效缩小了两个领域之间的差距。
发现论文，激发创造
  • 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

  • 泛化再适应：无需源域数据的领域自适应语义分割

    本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

    Aug, 2021

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • DiGA: 经过蒸馏泛化再适应于领域自适应语义分割

    本文提出一种基于知识蒸馏的域自适应语义分割方法，用于取代当前广泛使用的对抗训练，通过阈值自由的动态伪标籍选择机制自动适应目标域，配合跨域混合数据增强技术，显著提升语义分割结果。

    Apr, 2023

  • 将目标拔向源头：关于域自适应语义分割的新视角

    本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。

    May, 2023

  • 语义分割的领域自适应半监督学习中的区内和区间混合

    本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在GTA5toCityscapes和SYNTHIA2Cityscapes基准数据集上取得了显著的效果优于之前的方法。

    Aug, 2023

  • 基于扩散的域延伸用于通用语义分割的泛化方法

    通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。

    Dec, 2023

  • 基于内部表示的在线连续域适应语义图像分割

    本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

    Jan, 2024

  • ProtoGMM：基于多原型高斯混合的领域自适应语义分割模型

    通过利用GMM模型，我们提出了一种多原型对比学习的领域自适应语义分割方法，以实现源域和目标域之间的领域对齐，并在UDA基准测试中展示出了方法的有效性。

    Jun, 2024