关键词source-free unsupervised domain adaptation
搜索结果 - 14
- 高阶邻域信息更多:超图学习与无源无监督域自适应
提出了一种新的基于超图学习的无源无监督领域自适应方法,通过探索多个样本之间的高阶邻域关系和考虑域偏移效应,实现了对目标样本的分类,并在多个数据集上进行了广泛实验验证。
- ECCV对齐、最小化和多样化:一种基于源自由的无监督领域自适应方法用于手写文字识别
该论文介绍了一种用于手写文本识别的 Align, Minimize 和 Diversify(AMD)方法,它是一种无源无监督域自适应方法。通过解耦适应过程和源数据,这种方法不仅避免了资源密集型的重新训练过程,还能够利用现代深度学习架构中编码 - 360SFUDA++:面向全景分割的无源 UDA:学习可靠的类别原型
本文研究了针对针孔到全景语义分割的无源无监督域自适应(SFUDA)问题,通过仅有预训练的针孔图像模型(即源模型)和未标记的全景图像(即目标模型)。我们提出了一种名为 360SFUDA ++ 的方法,有效地从源针孔模型中提取知识,并将可靠的知 - CVPR语义、畸变和风格重要性:面向无源 UDA 的全景分割
本文提出了一种用于针孔图像到全景图像语义分割的无源无监督域自适应(SFUDA)的新方法,该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块(PPAM),以及跨双重注意模块(CDAM),通过提取并转移知识实现域间适应。实验证明,该 - 基于不确定性感知的无源无监督域适应伪标签过滤
无源无监督域自适应的不确定性伪标签过滤适应(UPA)方法,通过自适应伪标签选择(APS)模块进行精确过滤,同时引入类感知对比学习(CACL)以降低伪标签噪声的记忆化,实现与最先进的方法相当的竞争性能。
- 无源无监督领域自适应中的关键设计选择:一项深入实证分析
通过综合基准评估方法,本研究针对图像分类中的无源无监督领域自适应(SF-UDA)提供了一个全面的基准框架,旨在实现对 SF-UDA 方法中多个关键设计因素之间复杂关系的严格经验理解,并对多种 SF-UDA 技术进行了实证研究,评估它们在数据 - 无源非监督领域适应:预测合理性的假设整合
无源无监督领域自适应(SFUDA)是一个具有挑战性的任务,模型需要在没有目标领域标签或源领域数据的情况下适应新领域。本文提出了一种新的方法,通过考虑每个样本的多个预测假设并研究每个假设的合理性来解决该问题。通过整合这些假设的理由,我们可以识 - 基于上下文感知的无源域自适应眼底图像分割的伪标签优化
提出一种基于上下文感知的伪标签细化方法,通过学习上下文关系并根据特征距离计算,修正伪标签并校准以补偿不准确的修正,同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应,实验结果表明该方法在跨域眼底图像上取得了最优结果。
- ICCV无监督伪装目标分割作为领域适应
本研究探讨了深度学习在无监督图像分割中的应用,特别关注了自适应伪标签生成和无监督领域自适应任务,并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程,能够更好地实现伪标签生成和图像分割。
- 持续源自由非监督域自适应
本研究旨在通过提出一种新型架构,即 C-SUDA,解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题,并在不利于源领域的情况下,仅通过利用假标记的目标数据和源模型来维护源领域的性能,实现更好的目标领域性能。在 PACS、Vi - 源无关域自适应仅需少样本微调
研究表明在无标签目标数据存在特定要求 (如封闭集和标签分布一致) 或实际应用场景 (如 OOB 和标签分布转移) 的情况下,基于无源数据的领域自适应 (SFUDA) 方法具有很大的限制。通过实验证明,使用源预训练模型和少量标记数据的微调方法 - 面向医学图像分割的基于提示学习的无源域自适应方法 ProSFDA
本文提出了一种 Prompt learning based SFDA (ProSFDA) 的方法用于医疗图像分割,该方法旨在通过显式地将领域差异最小化来改善领域适应的质量,实验结果表明,所提出的方法比其他 SFDA 方法表现更好,甚至与 U - MM无源域自适应用于真实世界图像去雾
本研究提出了一种新型的无源无监督领域自适应(SFUDA)图像去雾范式,通过开发领域表征归一化模块,利用频率损失和物理先验损失指导无监督学习,插入我们的 DRN 模块,现有的源去雾模型能够去除未标记的真实模糊图像。
- IJCAI通过 Avatar 原型生成和适应实现无源域自适应
本文提出了一种新的方法,称为反映原型的对比生成和调整方法(CPGA),用于解决源自由的无监督域适应问题,并证明其在三个 UDA 基准数据集上的有效性和优越性。