关键词domain generalized semantic segmentation
搜索结果 - 6
- 基于语义重新排列的多层次对齐领域泛化分割
提出了基于语义重排的多级对齐(SRMA)方法,通过语义区域随机化增强源领域的多样性,并通过多级对齐模块建立全局 - 区域 - 局部一致的域不变表示,有效解决了源目标领域差距问题。实验证明了 SRMA 方法在各项基准测试上的优越性。
- 基于协作的领域泛化语义分割的基础模型
使用 CoLlaborative FOUndation 模型组合来进行域泛化语义分割,通过集成不同类型特征模型实现内容多样性和预测优化,从而在适应各种目标分布并在不同天气条件下从合成到实际场景的域泛化语义分割基准中表现出色。
- 更强,更少,更优:利用视觉基础模型进行领域通用语义分割
该研究中,我们首先评估和利用各种视觉基础模型(Vision Foundation Models)在域泛化语义分割(Domain Generalized Semantic Segmentation)中的应用。我们引入了一种名为 Rein 的强 - IBAFormer:用于领域通用的语义分割的批内注意力变换器
通过在 Transformer 网络中增强注意力模块,结合同一批次的其他独立样本信息以提高域广义语义分割(DGSS)的性能,我们的提出的 IBAFormer 方法在 DGSS 中取得了最先进的性能,消融研究进一步证实了每个引入组件的有效性。
- 增强颜色以外的特征以进行域泛化分割
本文提出了一种基于随机图像颜色增强和特征空间分布增强的域通用语义分割方法,通过对图像或特征进行性质适应性调整来增广数据集,从而提高模型的泛化性能。实验结果表明,该方法在现有方法中表现最佳。
- CVPR语义感知领域通用分割
本文提出一种框架,包括两个新模块:Semantic-Aware Normalization(SAN)和 Semantic-Aware Whitening(SAW),用于域通用语义分割,该模型训练为域不变而不使用任何目标域数据,并且验证结果显