unsupervised domain adaptation | BriefGPT

关键词unsupervised domain adaptation

搜索结果 - 643

语言引导的实例感知领域自适应全景分割
提出了一种名为 LIDAPS 的新型模型，通过 IMix 策略实现了实例级的域适应，提高了全景质量，并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中
PDF3 months ago
ACLDUQGen: 通过多样化合成查询生成实现有效的无监督领域适应
我们提出了一种新的无监督领域适应方法 DUQGen，通过自动生成有效且多样化的合成训练数据，来优化新领域的神经排序器。实验证明，DUQGen 在标准 BEIR 数据集上始终优于零 - shot 基准，并且在 18 个数据集中有 16 个取得
PDF3 months ago
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 a
PDF3 months ago
基于稀疏点标注的电子显微镜弱监督跨领域分割
通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜（EM）图像的精确细胞器实例分割任务上取得了显著的性能提升，比无监督域自适应方法更具实际应用价值。
PDF3 months ago
AAAI利用虚幻数据集的领域通用人员搜索
基于域泛化框架的新型人物搜索方法，通过自动标注的虚拟数据集进行训练，适用于任意未见过的真实数据集，并采用人物实例的保真度估计来适应性地训练网络，并设计了域不变特征学习方案来抑制与域相关的特征，实验证明该方法在不需要任何先验知识和重训练负担的
PDF3 months ago
CoDA: 以严重性感知的视觉提示调整为基础的指导式领域迁移链
通过对场景和图像水平的指导和学习中的差异进行区分，CoDA 方法在针对逆境场景的无监督领域自适应任务中实现了 SOTA 性能，在 Foggy Driving 和 Foggy Zurich 基准测试中分别比现有方法提高了 4.6% 和 10.
PDF3 months ago
UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测
我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们
PDF3 months ago
HPL-ESS：基于混合伪标签的无监督事件驱动语义分割
提出了一种新型的混合伪标签框架（HPL-ESS），用于减轻噪声伪标签的影响，并通过软原型对齐模块进一步改善目标领域特征的一致性，实验证明该方法在 DSEC-Semantic 数据集上的准确性和平均交并比（mIoU）等性能优于现有的最先进方法
PDF3 months ago
对抗性屏蔽视频一致性用于无监督领域适应
我们提出了一种基于 Transformer 的模型来学习类别识别和领域不变特征表示，通过两个创新设计：首先，基于生成对抗网络对齐领域，同时学习生成具有挑战性的蒙版和对抗性编码器以最小化源域和目标域之间的距离；其次，采用蒙版一致性学习模块来学
PDF3 months ago
改进跨域混合采样，基于指导训练的自适应分割
通过引入辅助任务 “Guidance Training”，我们提出了一种新型的无监督领域自适应方法，该方法在减轻领域间分布差异的同时，引导模型从混合数据中提取和重建目标领域特征分布，并利用重建的特征进行伪标签预测，从而改进了现有方法的性能。
PDF3 months ago
多摄像机鸟瞰视角分割的透视线索训练框架
通过利用大量的未标记数据，本研究提出了一种新的训练框架 Perspective Cue Training (PCT)，该框架使用从公开的基于大型街景数据集训练的语义分割模型生成的未标记透视图像的伪标签，并将透视图任务头应用于图像编码器，与
PDF4 months ago
AAAI基于类别原型的混淆对纠正方法用于噪声环境下的领域适应
我们提出了一种处理嘈杂环境下无监督领域适应问题的方法，通过检测和修正混淆的类对，利用准确的标签来训练模型，并在实验中验证了我们方法的有效性和性能。
PDF4 months ago
通过量化的域混合表示进行现实世界的计算失真校正
通过使用未配对的真实世界数据进行训练，我们提出了一种新的领域自适应的计算异常校正（DACAC）方法，通过引入 Quntized Domain-Mixing Representation（QDMR）框架，通过模拟两个领域的图像以学习一个领域混
PDF4 months ago
视觉基础模型提升跨模态无监督域自适应在 3D 语义分割中
利用 2D 视觉基础模型 (VFM) 的先验知识，我们提出了一种新的 VFMSeg 流水线，通过利用这些模型来进一步增强跨模态的无监督领域自适应框架，以提供更精确的无标签目标领域标签并改善整体性能。
PDF4 months ago
基于傅里叶变换的领域自适应框架
使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。
PDF4 months ago
CVPR分合：统一分离模式的非监督领域适应
大型视觉语言模型（VLM）如 CLIP 在无监督域自适应任务中表现出良好的零样本学习性能，为了充分利用语言和视觉之间微妙的相互作用，本文引入了一种统一的模态分离（UniMoS）框架进行无监督域自适应，通过利用模态间差异研究的见解，我们设计了
PDF4 months ago
AAAICMDA：基于 LiDAR 的三维物体检测的跨模态和领域对抗适应
通过引入一种名为 CMDA 的新型无监督领域适应方法，利用图像模态（即相机图像）中的视觉语义线索作为一种有效的语义桥梁来缩小跨模态鸟瞰图表示的领域差距，并采用对抗性自我训练策略，使模型生成具有领域不变性的特征，从而为新的数据分布提供高度信息
PDF4 months ago
ECAP：基于大规模剪切粘贴增强的无监督域自适应语义分割
在此篇研究论文中，我们提出一种名为 ECAP 的广泛剪切和粘贴策略，通过数据增强来利用可靠的伪标签，从而在无监督领域适应语义分割任务中提高性能。
PDF4 months ago
DDF: 一种新颖的双域图像融合策略用于遥感图像语义分割的无监督域自适应
该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融
PDF4 months ago
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（
PDF4 months ago