One-Shot Unsupervised Cross-Domain Detection
Sapienza University of Rome(罗马第一大学);Italian Institute of Technology(意大利技术研究院);Politecnico di Torino(都灵理工大学)
尽管在过去的几年中,目标检测取得了令人印象深刻的进展,但在视觉域中可靠地检测对象仍然是一个公开的挑战。虽然这个话题最近引起了人们的关注,但目前的方法都依赖于在训练时访问大量目标数据的能力。这是一个沉重的假设,因为通常不可能预测将使用检测器的域,也不可能提前访问它以进行数据采集。例如,考虑监控来自社交媒体的图像馈送的任务:由于每个图像都是由不同的用户创建和上传的,因此它属于不同的目标域,这在训练期间是不可能预见的。本文针对这种情况,提出了一种目标检测算法,能够执行无监督的适应跨域使用只有一个目标样本,在测试时看到。我们通过引入一个多任务架构来实现这一点,该架构通过迭代求解自监督任务来一次性适应任何传入的样本。我们通过跨任务伪标签进一步增强这种辅助适应。针对最新的跨域检测方法和详细的消融研究进行了全面的基准分析,显示了我们的方法的优势,该方法在定义的一次性场景中具有最先进的水平。
2020-05-23 cs.CV
Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN
Chongqing University(重庆大学)
传统的目标检测模型不可避免地会遇到性能下降的域差异的存在。无监督域自适应目标检测是最近提出的,以减少域之间的差异,其中源域是标签丰富的,而目标域是标签不可知的。现有的模型采用参数共享的连体结构进行对抗域对齐,但容易导致源域崩溃和失控风险,给特征自适应带来负面影响。主要原因是源和目标之间的标签不公平性(不对称性)使得参数共享机制无法适应。因此,为了避免参数共享导致的源域崩溃风险,我们提出了一种非对称的三路Faster-RCNN(ATF)域自适应目标检测。我们的ATF模型有两个明显的优点:1)由源标签监督的辅助网络被部署来学习辅助目标特征,同时保持源域的区分度,这增强了域对齐的结构区分度(对象分类与限界框回归)。2)主网和独立的辅助网组成的非对称结构从本质上克服了参数共享引起的源风险崩溃。保证了ATF检测器的适应安全性。在Cityscapes、Foggy-cityscapes、KITTI、Sim 10 k、Pascal VOC、Clipart和Watercolor等数据集上进行的大量实验证明了该方法的SOTA性能。
2020-07-03 cs.CV
Learning Invariant Representation for Unsupervised Image Restoration
Sichuan University(四川大学)
最近,跨域转移已被应用于无监督的图像复原任务。然而,直接应用现有的框架,会导致域转移问题的翻译图像,由于缺乏有效的监督。相反,我们提出了一个无监督学习方法,明确学习不变量表示从嘈杂的数据和重建清晰的意见。为此,我们将离散解纠缠表示和对抗域自适应引入到一般域转移框架中,并辅以额外的自监督模块,包括背景和语义一致性约束,在双域约束下学习鲁棒表示,如特征和图像域。在合成和真实噪声去除任务上的实验表明,该方法与其他最先进的监督和无监督方法具有相当的性能,同时比其他域自适应方法具有更快和更稳定的收敛速度。
2020-03-28 cs.CV
Contrastive Bi-Projector for Unsupervised Domain Adaption
本文提出基于对比双投影器的无监督域适应方法CBPUDA,通过双投影器对抗训练结合对比差异损失与梯度缩放方案,生成更精细决策边界,使特征类内紧凑类间可分,在UDA和细粒度任务上优于传统方法。
2023-12-30 cs.CV
BiPC: Bidirectional Probability Calibration for Unsupervised Domain Adaption
South China University of Technology(华南理工大学);University of South China(南华大学);Wuyi University(五邑大学)
BiPC提出双向概率校准方法,通过校准概率对齐和校准基尼不纯度损失,使预训练头部与任务头部双向互补,从而在CNN和Transformer上有效提升无监督域自适应性能。
2024-09-29 cs.CV
A Domain Agnostic Normalization Layer for Unsupervised Adversarial Domain Adaptation
我们提出了一个规范化层的语义场景分割无监督域自适应。已知归一化层可以提高收敛性和泛化能力,并且是许多最先进的全卷积神经网络的一部分。我们发现,传统的归一化层恶化了当前无监督对抗域自适应(UADA)的性能,UADA是一种提高未标记数据集网络性能的方法,也是我们研究的重点。因此,我们提出了一种新的领域不可知的归一化层,从而释放了归一化层对无监督对抗领域自适应的好处。在我们的评估中,我们从合成的GTA5数据集适应真实的Cityscapes数据集,一个常见的基准实验,并超越了最先进的。由于我们的规范化层在测试时是领域不可知的,我们进一步证明了UADA使用领域不可知的规范化提高了看不见的领域的性能,特别是在Apolloscape和Mapillary上。
2018-09-14 cs.CV
StyleAM: Perception-Oriented Unsupervised Domain Adaption for Non-reference Image Quality Assessment
University of Science and Technology of China(中国科学技术大学)
深度神经网络(DNN)在非参考图像质量评估(NR-IQA)中显示出巨大的潜力。然而,NR-IQA的注释是劳动密集型和耗时的,这严重限制了它们的应用,特别是对真实图像。为了减轻对质量注释的依赖,一些工作将无监督的领域自适应(UDA)应用于NR-IQA。然而,上述方法忽略了在分类中使用的对齐空间是次优的,因为该空间不是针对感知精心设计的。为了解决这一问题,本文提出了一种面向感知的无监督领域自适应方法StyleAM,通过Style align和Mixup将丰富标签源域数据中的知识转移到无标签目标域图像中。具体来说,我们找到了一个更紧凑和可靠的空间,即,面向感知的UDA的特征样式空间基于有趣/惊人的观察,特征样式(即,DNN中深层的平均值和方差)与NR-IQA中的质量分数精确地相关联。因此,我们建议在一个更面向感知的空间中对齐源域和目标域,即,特征风格空间,以减少其他质量无关的特征因素的干预。此外,为了提高质量分数与其特征风格之间的一致性,我们还提出了一种新的特征增强策略Style Mixup,该策略混合了特征风格(即,平均值和方差)以及混合它们的标签。在两个典型的跨域设置(即,合成到真实,以及多个失真到一个失真)已经证明了我们提出的StyleAM对NR-IQA的有效性。
2022-07-29 cs.CV
Generation For Adaption: A GAN-Based Approach for 3D Domain Adaption with Point Cloud Data
State University of New York at Buffalo(纽约州立大学布法罗分校)
最近的深度网络在各种3D点分类任务上取得了良好的性能。然而,这些模型在“野外任务”中经常面临挑战,一台激光雷达采集的标记训练/源数据与另一台激光雷达采集的未知测试/目标数据之间存在很大差异。无监督领域自适应(UDA)试图在没有目标域标签的情况下克服这样的问题。我们提出了一种利用生成对抗网络从源域生成合成数据的方法,使得输出结果接近目标域。实验表明,我们的方法在三种流行的3D对象/场景数据集(即,ModelNet、ShapeNet和ScanNet)用于跨域3D对象分类。
2021-05-10 cs.CV
Unsupervised Spiking Instance Segmentation on Event Data using STDP
University of Strathclyde(思克莱德大学)
脉冲神经网络(SNN)和神经形态工程领域带来了如何处理机器学习(ML)和计算机视觉(CV)问题的范式转变。这种范式转变来自于基于事件的感知和处理的适应。基于事件的视觉传感器允许产生与场景动态相关的稀疏和异步事件。不仅允许捕获空间信息,还允许捕获高保真度的时间信息。同时避免了传统高帧速率方法的额外开销和冗余。然而,随着这种范式的变化,传统CV和ML的许多技术不适用于这些基于事件的时空视觉流。因此,存在有限数量的识别、检测和分割方法。在本文中,我们提出了一种新的方法,可以执行实例分割只使用尖峰时间相关的可塑性训练尖峰卷积神经网络,对象识别训练的权重。这利用了网络内部特征表示的空间和时间方面,增加了这种新的区分能力。我们突出了新的能力,成功地将一个单类无监督网络的人脸检测到多人的人脸识别和实例分割网络。
2021-11-12 cs.CV cs.LG eess.IV
Viewpoint-aware Progressive Clustering for Unsupervised Vehicle Re-identification
Anhui University(安徽大学)
车辆重新识别(Re-ID)在智慧城市大规模智能监控中具有重要意义,因此是一项活跃的任务。尽管近年来进展迅速,但大多数现有方法以监督的方式处理车辆Re-ID任务,这既耗时又费力,并且限制了它们在现实生活场景中的应用。最近,无监督的人的Re-ID方法取得了令人印象深刻的性能,探索域自适应或基于聚类的技术。然而,人们不能直接将这些方法推广到车辆Re-ID,因为车辆图像在不同的视角下呈现出巨大的外观变化。为了解决这个问题,我们提出了一种新的视角感知聚类算法的无监督车辆Re-ID。特别是,我们首先将整个特征空间划分为不同的子空间,根据预测的观点,然后执行渐进聚类挖掘样本之间的准确关系。在两个多视点基准数据集VeRi和VeRi-Wild上对最先进的方法进行了全面的实验,验证了所提出的方法在处理无监督车辆Re-ID时在有和没有域自适应场景下的良好性能。
2020-11-18 cs.CV
Unsupervised Domain Adaption Harnessing Vision-Language Pre-training
School of Electronic and Information Engineering, South China University of Technology(华南理工大学电子与信息学院);Key Laboratory of Big Data and Intelligent Robot, Ministry of Education, South China University of Technology(华南理工大学大数据与智能机器人教育部重点实验室)
本文提出CMKD利用VLP教师模型指导目标域学习,并结合仅调整0.1%~0.5%参数的RST降低部署开销,在UDA基准上取得最优性能。
2024-08-05 cs.CV
Spatial Attention Pyramid Network for Unsupervised Domain Adaptation
University of Chinese Academy of Sciences(中国科学院大学);University at Albany, State University of New York(纽约州立大学奥尔巴尼分校);State Key Laboratory of Computer Science, ISCAS(中国科学院软件研究所计算机科学国家重点实验室);JD Finance America Corporation(京东金融美国公司);Tianjin University(天津大学)
无监督的领域自适应在目标检测、实例分割和语义分割等计算机视觉任务中至关重要,其目的是减轻由领域转移引起的性能下降。以前的大多数方法都依赖于源域和目标域的单模分布,以使它们与对抗性学习保持一致,从而导致在各种情况下的结果较差。为此,在本文中,我们设计了一个新的空间注意力金字塔网络的无监督领域自适应。具体来说,我们首先建立的空间金字塔表示捕捉上下文信息的对象在不同的尺度。在任务特定信息的指导下,利用空间注意力机制,将稠密的全局结构表示和每个空间位置的局部纹理模式有效地结合起来。通过这种方式,网络被强制关注具有上下文信息的区分区域以进行域自适应。我们在各种具有挑战性的数据集上进行了大量的实验,用于目标检测,实例分割和语义分割的无监督领域自适应,这表明我们的方法在很大程度上优于最先进的方法。我们的源代码可在https://isrc.iscas.ac.cn/gitlab/research/domain-adaption上获得。
2020-07-22 cs.CV
SMILE: Sequence-to-Sequence Domain Adaption with Minimizing Latent Entropy for Text Image Recognition
E.SUN Financial Holding CO., LTD.(玉山金融控股股份有限公司);National Kaohsiung Normal University(国立高雄师范大学)
用合成图像训练识别模型在文本识别中取得了显著的效果。然而,从真实世界的图像中识别文本仍然面临着挑战,由于合成和真实世界的文本图像之间的域转移。无监督领域自适应(UDA)是消除领域差异而无需人工标注的策略之一。由于顺序标注任务的特点,大多数流行的UDA方法不能直接应用于文本识别。为了解决这个问题,我们提出了一个UDA方法,最小化潜在熵的序列到序列的注意力为基础的模型与类平衡的自定进度学习。我们的实验表明,我们提出的框架取得了更好的识别效果比现有的方法在大多数UDA文本识别基准。所有代码都是公开的。
2022-02-24 cs.CV
A Semantic Consistency Feature Alignment Object Detection Model Based on Mixed-Class Distribution Metrics
Huazhong University of Science and Technology(华中科技大学)
无监督领域自适应在各种计算机视觉任务中至关重要,例如目标检测,实例分割等。它们试图减少域偏差引起的性能下降,同时也提高模型应用速度。先前在领域自适应目标检测中的工作尝试对齐图像级和实例级移位以最终最小化域差异,但是它们可能在图像级领域自适应中将单类特征对齐到混合类特征,因为目标检测任务中的每个图像可能是多于一个类和对象。为了实现单类配准和混合类配准,将混合类特征作为一个新的类,提出了一种混合类$H-divergence$用于目标检测,以实现同质特征配准,减少负迁移。在此基础上,提出了一种基于混合类$H-divergence$的语义一致性特征对齐模型(SCFAM)。为了改善单类和混合类的语义信息,实现语义分离,SCFAM模型提出了语义预测模型(SPM)和语义桥接组件(SBC)。然后根据SPM结果改变像素域的权重,以减少样本不平衡。在广泛使用的数据集上进行的广泛的无监督域自适应实验表明,我们提出的方法在域偏差设置中具有鲁棒的目标检测。
2022-06-12 cs.AI cs.CV
TeST: Test-time Self-Training under Distribution Shift
University of Toronto(多伦多大学);AWS Tubingen(AWS图宾根)
尽管最近取得了成功,但当深度神经网络在测试时遇到分布偏移时,它们的表现仍然很差。最近提出的许多方法试图通过在推理之前将模型与新的分布对齐来解决这个问题。由于没有可用的标签,这需要无监督目标根据观察到的测试数据调整模型。在本文中,我们提出了测试时自我训练(TeST):一种技术,作为输入的模型训练的一些源数据和一个新的数据分布在测试时,学习不变的和强大的表示使用学生-教师框架。我们发现,使用TeST适应模型显着改善基线测试时自适应算法。与现代领域自适应算法相比,TeST实现了具有竞争力的性能,同时在自适应时访问的数据减少了5- 10倍。我们彻底评估了两个任务的各种基线:目标检测和图像分割,并发现模型与TeST相适应。我们发现,TeST设置新的国家的最先进的测试时间领域自适应算法。
2022-09-23 cs.CV cs.LG
Self-Ensemling for 3D Point Cloud Domain Adaption
Shenzhen Technology University(深圳技术大学);Southern University of Science and Technology(南方科技大学);George Mason University(乔治梅森大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
近年来,三维点云学习已成为计算机视觉和自动驾驶领域的研究热点。由于难以手动标注定性的大规模3D点云数据集,无监督领域自适应(UDA)在3D点云学习中很受欢迎,其目的是将学习到的知识从标记的源域转移到未标记的目标域。然而,简单学习模型的领域转移所导致的泛化和重构错误是不可避免的,这严重阻碍了模型学习良好表示的能力。为了解决这些问题,我们提出了一个端到端的自集成网络(SEN)的3D点云域自适应任务。一般来说,我们的SEN诉诸Mean Teacher和半监督学习的优点,并引入软分类损失和一致性损失,旨在实现一致的泛化和准确的重建。在SEN中,学生网络与监督学习和自监督学习保持协作方式,教师网络进行时间一致性以学习有用的表示并确保点云重建的质量。在几个3D点云UDA基准上的大量实验表明,我们的SEN在分类和分割任务上都优于最先进的方法。此外,进一步的分析表明,我们的SEN也取得了更好的重建结果。
2023-03-25 cs.CV
Pixel and Feature Level Based Domain Adaption for Object Detection in Autonomous Driving
对于许多实际任务来说,注释大规模数据集来训练现代卷积神经网络是极其昂贵且耗时的。一种替代方案是在标记的合成数据集上训练模型并将其应用于真实场景。然而,这种简单的方法往往不能很好地推广,主要是由于合成数据集和真实数据集之间的域偏差。许多无监督的领域自适应(UDA)方法被引入来解决这个问题,但大多数只关注简单的分类任务。在本文中,我们提出了一种新的UDA模型来解决自动驾驶背景下更复杂的目标检测问题。我们的模型集成了基于像素级和特征级的转换,以完成跨域检测任务,并可以进一步进行端到端训练,以追求更好的性能。我们采用生成对抗网络的目标和像素空间中图像平移的周期一致性损失。为了解决潜在的语义不一致问题,我们提出了基于区域建议的特征对抗训练,以保留目标对象的语义,并进一步减少域偏移。在多个不同的数据集上进行了大量的实验,实验结果证明了该方法的鲁棒性和优越性。
2019-08-11 cs.CV
UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather
Tsinghua University(清华大学);The University of Sydney(悉尼大学);Nanyang Technological University(南洋理工大学)
针对恶劣天气下LiDAR语义分割的域适应与泛化问题,提出UniMix,通过物理天气模拟、桥接域和通用混合算子增强模型鲁棒性,并在多项任务上超越现有方法。
2024-04-08 cs.CV
AdaDepth: Unsupervised Content Congruent Adaptation for Depth Estimation
Indian Institute of Science(印度科学学院)
监督式深度学习方法在单目深度估计任务中显示出了有希望的结果;但获取地面实况的成本很高,并且容易产生噪声和不准确性。虽然合成数据集已被用来规避上述问题,由于固有的域转移,所得到的模型不能很好地推广到自然场景。最近的对抗性域自适应方法在减轻源域和目标域之间的差异方面表现良好。但是这些方法大多局限于分类设置,并且不能很好地扩展全卷积架构。在这项工作中,我们提出了AdaDepth -单目深度估计的逐像素回归任务的无监督领域自适应策略。所提出的方法通过a)对抗性学习和b)对适应的目标表示明确施加内容一致性而没有上述限制。我们的无监督方法与其他已建立的方法在深度估计任务上具有竞争力,并在半监督设置中实现了最先进的结果。
2018-06-07 cs.CV
Adversarial Open Domain Adaption Framework (AODA): Sketch-to-Photo Synthesis
本文旨在证明对抗性开放域自适应框架用于草图到照片合成的效率。用于从手绘草图生成逼真照片的无监督开放域适配是具有挑战性的,因为对于训练数据没有该类的草图。学习监督的缺失,以及手绘与绘画之间的巨大领域差距,使其难以实现。我们提出了一种方法,学习草图到照片和照片到草图生成合成从图片中丢失的手绘图。由于合成草图和真实草图之间的领域差距,在虚假图纸上训练的生成器在处理缺乏类的图纸时可能会产生不令人满意的结果。为了解决这个问题,我们提供了一个简单但有效的开放域采样和优化方法,欺骗生成器将虚假图纸视为真实。我们的方法概括了学习素描到照片和照片到素描的映射,从域内输入到开放域类别。在Scribble和SketchyCOCO数据集上,我们将我们的技术与当前最具竞争力的方法进行了比较。对于许多类型的开放域绘图,我们的模型在合成准确的颜色,物质和保留结构布局方面表现出色。
2021-08-19 cs.AI cs.CV cs.LG
From Galaxy Zoo DECaLS to BASS/MzLS: detailed galaxy morphology classification with unsupervised domain adaption
Shanghai Astronomical Observatory, Chinese Academy of Sciences(中国科学院上海天文台);School of Astronomy and Space Science, University of Chinese Academy of Sciences(中国科学院大学天文与空间科学学院);Shanghai Key Lab for Astrophysics, Shanghai Normal University(上海师范大学上海市天体物理重点实验室);Centre for Astrophysics Research, University of Hertfordshire(赫特福德大学天体物理研究中心)
针对DECaLS与BASS/MzLS图像分布不匹配问题,本研究采用无监督域适配方法微调源域模型,显著提升了BMz巡天中星系形态分类的准确性,并发布了248,088个星系的详细形态分类星表。
2024-12-20 astro-ph.GA astro-ph.IM cs.CV
Memory Efficient Temporal & Visual Graph Model for Unsupervised Video Domain Adaptation
The University of Tokyo(东京大学);RIKEN(理化学研究所);National Institutes of Health Clinical Center(美国国立卫生研究院临床中心);eBay Inc.(易贝公司);Temple University(天普大学)
现有的视频域自适应(video domain adaptation,DA)方法需要存储视频帧的所有时间组合或将源视频和目标视频配对,这不仅存储成本高,而且不能扩展到长视频。为了解决这些限制,我们提出了一个内存高效的基于图形的视频DA方法如下。首先,我们的方法模型的每个源或目标视频的图:节点表示视频帧和边缘表示帧之间的时间或视觉相似性关系。我们使用图注意力网络来学习单个帧的权重,并同时将源和目标视频对齐到域不变的图特征空间中。该方法不需要存储大量的子视频,而是只为一个视频构建一个具有图注意力机制的图,大大降低了存储开销。大量的实验表明,与最先进的方法相比,我们取得了优越的性能,同时降低了内存成本显着。
2022-08-13 cs.CV
Exploiting Image Translations via Ensemble Self-Supervised Learning for Unsupervised Domain Adaptation
Eindhoven University of Technology(埃因霍温理工大学)
我们引入了一种无监督域自适应(UDA)策略,该策略将多个图像翻译,集成学习和自监督学习结合在一个连贯的方法中。我们专注于UDA的标准任务之一,其中语义分割模型在标记的合成数据和未标记的真实数据上进行训练,旨在对后者表现良好。为了利用使用多个图像翻译的优势,我们提出了一种集成学习方法,其中三个分类器通过将不同图像翻译的输入特征作为输入来计算它们的预测,使每个分类器独立学习,目的是通过稀疏多项式逻辑回归组合它们的输出。该回归层称为元学习器,有助于在执行自监督学习时减少伪标签生成期间的偏差,并通过考虑每个分类器的贡献来提高模型的泛化能力。我们在标准UDA基准上评估了我们的方法,即将GTA V和Synthia适应Cityscapes,并在平均交集上实现了最先进的结果。广泛的烧蚀实验报告,以突出我们提出的UDA策略的有利特性。
2021-07-13 cs.CV
Adjusting for Confounding in Unsupervised Latent Representations of Images
BenevolentAI(BenevolentAI公司);Big Data Institute, University of Oxford(牛津大学大数据研究所)
生物成像数据通常部分混淆或包含不需要的可变性。这种现象的例子包括显微镜图像捕获中的可变照明、组织学载玻片中的染色强度变化以及高通量药物筛选测定的批次效应。因此,为了开发能够很好地推广到看不见的例子的“公平”模型,学习对变化的讨厌因素不敏感的数据表示是至关重要的。在本文中,我们提出了一种基于对抗训练的策略,能够学习对混淆不变性的无监督表示。作为我们方法的经验验证,我们使用深度卷积自动编码器从显微镜成像中学习无偏的细胞表示。
2018-11-26 cs.CV
Unsupervised 3D Reconstruction from a Single Image via Adversarial Learning
NYU Multimedia and Visual Computing Lab(纽约大学多媒体与视觉计算实验室);Courant Institute of Mathematical Science(库朗数学科学研究所);NYU Tandon School of Engineering(纽约大学坦登工程学院);NYU Abu Dhabi(纽约大学阿布扎比分校)
深度学习的最新进展为在大规模数据集上进行充分训练的情况下从单个2D图像学习高质量3D模型提供了新的机会。然而,图像和3D模型的可用量之间的显著不平衡,以及标记的2D图像数据(即图像及其对应的3D模型之间的手动注释对)的有限可用性,严重影响了实践中大多数监督深度学习方法的训练。在本文中,由一种新的设计的对抗性网络的驱动下,我们已经开发了一个无监督学习范式,从一个单一的2D图像,这是免费的手动注释成对输入图像及其相关的3D模型重建3D模型。特别地,该范例开始于通过具有对抗性损失的自动编码器训练自适应网络,该自适应网络将不成对的2D合成图像域与真实世界图像域嵌入到共享的潜在向量空间中。然后,我们共同训练一个3D反卷积网络,将潜在向量空间转换到3D对象空间以及嵌入过程。我们的实验验证了我们的网络的鲁棒性和优越的性能,在处理从一个单一的2D图像的3D立体对象生成。
2017-11-26 cs.CV
Leveraging Multi-view Image Sets for Unsupervised Intrinsic Image Decomposition and Highlight Separation
Simon Fraser University(西蒙弗雷泽大学);Microsoft Research(微软研究院)
我们提出了一种无监督的方法,用于将对象外观分解为高光,阴影和阴影层,并通过多视图真实图像进行训练。为此,我们通过在线收集大量客户产品照片来构建多视图数据集,这些照片具有较大的照明变化,使其适合于反射分离的训练,并可以促进对象级分解。我们的方法的主要贡献是建议的图像表示基于局部颜色分布,允许训练是不敏感的多视图图像的局部错位。此外,我们提出了一个新的无监督训练的指导线索,利用突出分离和内在图像分解之间的协同作用。在广泛的对象范围内,我们的技术被证明可以为这两项任务产生最先进的结果。
2019-11-17 cs.CV
PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning
University of Technology Sydney(悉尼科技大学);Zhejiang University(浙江大学)
本文提出统一框架PiPa++,利用自监督对比学习实现图像级和视频级域自适应语义分割,通过任务智能采样策略提升特征判别力与时序连续性,且与其他UDA方法兼容以无额外参数提升性能。
2024-07-24 cs.AI cs.CV
BP-Triplet Net for Unsupervised Domain Adaptation: A Bayesian Perspective
Anhui University(安徽大学);Chongqing University(重庆大学);Alibaba Group(阿里巴巴集团)
三重丢失是深度度量学习(DML)方法之一,用于学习来自同一类的样本比来自不同类的样本更接近的嵌入。受DML的启发,我们从贝叶斯学习的角度提出了一种有效的用于无监督域自适应(UDA)的BP-Triplet Loss模型,并将其命名为BP-Triplet Net。在以往的基于度量学习的UDA方法中,对不同领域的样本对进行了平等的处理,由于领域偏差,这是不合适的。在我们的工作中,考虑到两个特征学习和领域对齐的成对样本的不同重要性,我们推导出我们的BP三重损失有效的UDA从贝叶斯学习的角度。我们的BP三重损失调整域内和域间成对样本的权重。特别地,它可以自关注硬对(包括硬正对和硬负对)。与域对齐常用的对抗性损失一起,目标伪标签的质量逐步提高。我们的方法实现了理想源和目标假设的低联合误差。然后,期望目标误差可以遵循本-大卫定理上界。在手写体数字、ImageCLEF-DA、ImageCLEF-Home和VisDA-2017五个基准数据集上的综合评估证明了所提出的UDA方法的有效性。
2022-02-19 cs.CV
GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates
Sapienza University of Rome(罗马大学);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);IGN(法国国家地理与林业信息研究所);ENSG(法国国立地理科学学院)
本文提出轻量级模型 GeoMultiTaskNet,首次利用地理坐标元数据和动态类别采样策略实现遥感语义分割的无监督域自适应,在 FLAIR 数据集子集上以 33M 参数取得 47.22% mIoU 的最先进性能。
2023-04-16 cs.CV
GraphEcho: Graph-Driven Unsupervised Domain Adaptation for Echocardiogram Video Segmentation
Guangdong Provincial People’s Hospital(广东省人民医院);Institute of Cardiovascular Diseases(心血管疾病研究所)
本文提出GraphEcho方法,通过空间级跨域图匹配和时间循环一致性两个模块,利用心脏结构一致性与心跳周期性先验,解决超声心动图视频分割的无监督域自适应问题,并在新收集的CardiacUDA数据集上验证了其优于现有方法。
2023-09-20 cs.CV
TVT: Transferable Vision Transformer for Unsupervised Domain Adaptation
University Of Texas at Arlington(德克萨斯大学阿灵顿分校);Kuaishou Techlology(快手科技)
无监督领域自适应(UDA)的目的是将从标记的源领域学习到的知识转移到未标记的目标领域。以前的工作主要是建立在卷积神经网络(CNN)学习域不变表示。随着最近的指数增长,应用视觉Transformer(ViT)的视觉任务,ViT的能力,在适应跨领域的知识,但是,仍然是未开发的文献。为了填补这一空白,本文首先全面调查的ViT的各种领域自适应任务的可转移性。令人惊讶的是,ViT表现出比基于CNN的同行更优越的可转移性,具有很大的优势,而性能可以通过引入对抗性适应来进一步提高。尽管如此,直接使用基于CNN的适应策略未能利用ViT的内在优点(例如,注意力机制和序列图像表征)在知识传递中起着重要作用。为了弥补这一点,我们提出了一个统一的框架,即可转移的视觉Transformer(TVT),充分利用的可转移性ViT的领域自适应。具体来说,我们精心设计了一个新颖而有效的单元,我们称之为可转移性适应模块(TAM)。通过将学习到的可转移性注入到注意力块中,TAM迫使ViT专注于可转移性和区分性特征。此外,我们利用判别式聚类来增强在对抗域对齐过程中被破坏的特征多样性和分离。为了验证其通用性,我们进行了广泛的研究TVT的四个基准和实验结果表明,TVT达到显着的改善相比,现有的国家的最先进的UDA方法。
2021-11-26 cs.CV
Adapted-MoE: Mixture of Experts with Test-Time Adaption for Anomaly Detection
Nanjing University(南京大学);Hong Kong University of Science and Technology(香港科技大学)
针对同类正常样本特征分布差异及训练/测试分布偏差问题,提出含路由网络、专家模型与测试时自适应的 Adapted-MoE,并在 Texture AD benchmark 上显著超越基线与现有方法。
2024-09-09 cs.AI cs.CV
AdaTriplet-RA: Domain Matching via Adaptive Triplet and Reinforced Attention for Unsupervised Domain Adaptation
Nanjing University of Information Science and Technology(南京信息工程大学);Inria(法国国家信息与自动化研究所);Université Paris-Saclay(巴黎萨克雷大学);Zenith Ai;East China Normal University(华东师范大学)
无监督域自适应(UDA)是一种迁移学习任务,其中源域的数据和注释可用,但在训练期间只能访问未标记的目标数据。大多数先前的方法试图通过在源域和目标域之间执行分布对齐来最小化域间隙,这具有显著的限制,即,在域级别上操作,但忽略样本级别的差异。为了减轻这一弱点,我们提出了改进无监督领域自适应任务与域间样本匹配计划。我们采用广泛使用的和强大的三重损失匹配域间样本。为了减少训练过程中产生的不准确伪标签的灾难性影响,我们提出了一种新的不确定性测量方法来自动选择可靠的伪标签并逐步对其进行改进。我们采用先进的离散松弛Gumbel Softmax技术来实现自适应Topk方案,以实现功能。此外,为了实现域匹配的一个批次内的全局排名优化,整个模型通过一种新的加强注意力机制进行优化,并使用平均精度(AP)作为奖励,该机制具有来自策略梯度算法的监督。我们的模型(称为\textbf{\textit{AdaTriplet-RA}})在几个公共基准数据集上获得了最先进的结果,其有效性通过全面的消融研究得到了验证。我们的方法在VisDa数据集上将基线的准确性提高了9.7%(ResNet-101)和6.2%(ResNet-50),在Domainnet数据集上提高了4.22%(ResNet-50)。{The源代码可在\textit{https://github.com/shuxy0120/AdaTriplet-RA}上…
2022-11-16 cs.CV
Unsupervised Domain Adaptation for Semantic Segmentation of NIR Images through Generative Latent Search
Indian Institute of Technology Delhi(德里印度理工学院)
分割的像素对应于人类皮肤是一个重要的第一步,在多个应用范围从监测到心率估计从远程光电容积脉搏波。然而,现有文献仅在EM光谱的可见范围内考虑该问题,这限制了它们在应用的关键性较高的低光或无光设置中的实用性。为了缓解这个问题,我们考虑从近红外图像的皮肤分割的问题。然而,基于深度学习的最先进的分割技术需要大量的标记数据,这对于当前的问题是不可用的。因此,我们将皮肤分割问题转化为目标无关的无监督领域自适应(UDA)问题,其中我们使用来自可见光范围的红色通道的数据来开发近红外图像上的皮肤分割算法。我们提出了一种目标独立的分割方法,其中在源域中的目标图像的“最近克隆”被搜索,并用作仅在源域上训练的分割网络中的代理。我们证明了“最近克隆”的存在性,并提出了一种方法来找到它,通过优化算法的潜在空间的深度生成模型的基础上变分推理。我们证明了所提出的方法的有效性,近红外皮肤分割的国家的最先进的UDA分割方法的两个新创建的皮肤分割数据集在近红外域,尽管没有访问目标近红外数据。此外,我们报告了从Synthia到Cityscapes的最新结果,这是语义分割的无监督领域自适应中的一个流行设置。代码和数据集可在https://github.com/ambekarsameer96/GLSS上获得。
2020-07-17 cs.CV
DART: Domain-Adversarial Residual-Transfer Networks for Unsupervised Cross-Domain Image Classification
Univ. of Electronic Sci & Tech.of China(电子科技大学);The Chinese University of Hong Kong(香港中文大学);University of Electronic Science and Technology of China(电子科技大学);Google Inc.(谷歌公司);Singapore Management University(新加坡管理大学)
深度学习的准确性(例如,卷积神经网络)用于图像分类任务关键地依赖于标记的训练数据的量。为了解决一个新领域的图像分类任务,缺乏标记的数据,但获得廉价可用的未标记的数据,无监督领域自适应是一种有前途的技术,以提高性能,而不会产生额外的标记成本,通过假设来自不同领域的图像共享一些不变的特征。在本文中,我们提出了一种新的无监督领域自适应方法,称为深度神经网络的域对抗残差转移(DART)学习,以解决跨域图像分类任务。与现有的无监督域自适应方法相比,所提出的DART不仅通过对抗训练来学习域不变特征,而且还通过残差转移策略来实现鲁棒的域自适应分类,所有这些都在端到端的训练框架中进行。我们评估了所提出的方法的性能跨域图像分类任务的几个著名的基准数据集,其中我们的方法明显优于国家的最先进的方法。
2018-12-30 cs.CV cs.LG
Unsupervised Online Learning for Robotic Interestingness with Visual Memory
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
自主机器人经常需要检测“有趣”的场景,以决定进一步探索,或决定共享哪些数据进行合作。这些场景通常需要快速部署,几乎没有或没有训练数据。先前的工作基于来自相同分布的数据来考虑“兴趣度”。相反,我们建议开发一种方法,自动适应在线环境,快速报告有趣的场景。为了解决这个问题,我们开发了一种新的不变性视觉记忆,并设计了一个三阶段的长期,短期和在线学习,这使得系统能够学习类似人类的经验,环境知识和在线适应,分别架构。有了这个系统,我们在地下隧道环境中实现了比最先进的无监督方法平均高20%的准确性。我们表现出相当的性能,机器人探索方案的监督方法,显示我们的方法的有效性。我们期望所提出的方法将在机器人兴趣识别探索任务中发挥重要作用。
2021-11-19 cs.CV cs.RO
When Unsupervised Domain Adaptation Meets Tensor Representations
The University of Adelaide(阿德莱德大学);Huazhong Unviersity of Science and Technology(华中科技大学);Northwestern Polytechnical University(西北工业大学)
域自适应(DA)允许在从一个分布采样的数据上训练的机器学习方法应用于从另一个分布采样的数据。因此,这类方法的应用具有重要的实际意义。尽管张量表示在计算机视觉中被广泛用于捕获影响数据的多线性关系,但大多数现有的DA方法仅适用于向量。这使得它们不能反映和保持许多问题的重要结构。因此,我们在这里提出了一种基于学习的方法来直接适应源和目标张量表示,而无需矢量化。特别地,引入一组对齐矩阵来将来自两个域的张量表示对齐到不变张量子空间中。这些对齐矩阵和张量子空间建模为一个联合优化问题,可以学习自适应的数据,使用所提出的替代最小化方案。大量的实验表明,我们的方法是能够保持源域的区分能力,抵抗标签噪声的影响,并有效地工作,小样本量,甚至一次性DA。我们表明,我们的方法优于国家的最先进的跨域视觉识别的任务在功效和效率,特别是当应用于深度卷积网络的卷积激活的DA时,它优于所有比较器。
2017-07-19 cs.CV
EventDance: Unsupervised Source-free Cross-modal Adaptation for Event-based Object Recognition
AI Thrust, HKUST(GZ)(人工智能推进组,香港科技大学(广州));Dept. of CSE, HKUST(香港科技大学计算机科学与工程系)
本文提出无源跨模态自适应框架EventDance,通过基于重建的模态桥接模块和多表征知识自适应模块,仅用无标签事件数据从源模型提取并迁移知识,实现基于事件的物体识别。
2024-03-21 cs.CV
Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
对比自监督学习方法学习将诸如图像的数据点映射到非参数表示空间而不需要标签。虽然非常成功,但目前的方法在训练阶段需要大量的数据。在目标训练集大小有限的情况下,泛化能力较差。在Few-Shot模式下,在大的源数据集上进行预训练并对目标样本进行微调,很容易出现过拟合,因为只有少量的目标样本可用。出于这一动机,我们提出了一种自监督对比学习的域自适应方法,称为Few-Max,以解决适应少样本学习下的目标分布的问题。为了量化表示质量,我们在一系列源和目标数据集上评估了Few-Max,包括ImageNet,VisDA和fastMRI,Few-Max始终优于其他方法。
2022-06-22 cs.AI cs.CV cs.LG
Unsupervised Representation Learning by Predicting Random Distances
Australian Institute for Machine Learning(澳大利亚机器学习研究所);The University of Adelaide(阿德莱德大学)
深度神经网络在广泛的机器学习任务中取得了巨大的成功,因为它具有从高维数据中学习语义丰富特征的卓越能力。然而,它们通常需要大规模的标记数据来成功地学习这些特征,这大大阻碍了它们适应无监督学习任务,例如异常检测和聚类,并限制了它们在关键领域的应用,在这些领域中获得大量标记数据是非常昂贵的。为了在这些领域实现无监督学习,在这项工作中,我们建议通过训练神经网络来预测随机投影空间中的数据距离,从而在不使用任何标记数据的情况下学习特征。随机映射是一种理论上已被证明的获得近似保持距离的方法。为了很好地预测这些随机距离,表示学习器被优化以学习隐式嵌入在随机投影空间中的真正的类结构。在19个真实世界数据集上的实证结果表明,我们学习的表示在异常检测和聚类任务中大大优于一些最先进的竞争方法。代码可在https://git.io/RDP上获得
2020-07-19 cs.CV cs.LG stat.ML
Parameter-Efficient Domain Adaption for CSI Crowd-Counting via Self-Supervised Learning with Adapter Modules
IEEE Publication Technology Department(IEEE出版技术部门)
本文提出了一种基于自监督学习和适配模块的高效领域适应框架,用于CSI人群计数,实现了高精度和低参数训练,达到98.8%的准确率。
2026-01-05 cs.CR cs.CV
Camera-Driven Representation Learning for Unsupervised Domain Adaptive Person Re-identification
Yonsei University(延世大学);Hyundai Motor Company(现代汽车集团)
该研究提出相机驱动课程学习框架与相机多样性损失,解决无监督域自适应行人重识别的伪标签相机偏差问题,提升模型跨域泛化能力与跨相机鲁棒性。
2023-08-23 cs.CV
Unsupervised Cross-Domain Recognition by Identifying Compact Joint Subspaces
University of South Carolina(南卡罗来纳大学);Chongqing University(重庆大学);IBM Almaden Research Center(IBM阿尔马登研究中心);University of Houston(休斯顿大学);University of Macau(澳门大学)
本文介绍了一种新的方法来解决跨域识别问题。与传统的依赖于全局域变换的域自适应方法不同,该方法能够更灵活地捕捉跨域的单个类变化。该方法采用一个自然且广泛使用的假设--“同一类数据样本即使来自不同的域,也应该位于一个低维子空间上”,从而避免了全局域移位的局限性,通过寻找源域和目标域的紧致联合子空间来解决跨域识别问题。具体来说,给定源域中的标记样本,我们为每个类构造子空间。然后,我们通过收集彼此接近并且很可能都属于同一类的未标记样本来构建目标域中的子空间,称为锚子空间。然后通过最小化一个代价函数来分配相应的类标签,该代价函数反映了源域和目标域上的子空间之间以及锚子空间内部的子空间之间的重叠和拓扑结构的一致性,并进一步将锚子空间与相应的源子空间相结合,构造了紧致的联合子空间.随后,在紧凑的联合子空间中训练一对多SVM分类器,并将其应用于目标域中的未标记数据。我们在两个广泛使用的数据集上评估了所提出的方法:用于计算机视觉任务的对象识别数据集和用于自然语言处理任务的情感分类数据集。比较结果表明,所提出的方法优于两个数据集上的比较方法。
2015-09-05 cs.CV
CLIP the Divergence: Language-guided Unsupervised Domain Adaptation
本文提出语言引导的无监督域适应方法 CLIP-Div,通过 CLIP 获得域无关分布并设计绝对、相对分歧损失及伪标签校准策略,显著提升跨域泛化性能。
2024-07-01 cs.CV
Progressive Classifier and Feature Extractor Adaptation for Unsupervised Domain Adaptation on Point Clouds
The University of Hong Kong(香港大学);The University of Sydney(悉尼大学)
提出PCFEA框架,通过宏观渐进式目标风格特征增强和微观中间域特征对齐,深度耦合分类器与特征提取器自适应,实现点云无监督域适应,取得新最先进性能。
2024-07-17 cs.CV
Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation
Beijing University of Posts and Telecommunications(北京邮电大学);Peking University(北京大学)
本文针对无源无监督域自适应提出不确定性诱导可迁移性表示 UTR,并基于此构建校准自适应框架 CAF,通过校准源知识和目标语义实现安全且更优的目标域适应,在三个基准上取得领先性能。
2022-08-30 cs.CV
Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-identification
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Technology Sydney(悉尼科技大学);Shanghai Jiao Tong University(上海交通大学);IBM Research(IBM研究院);University of Oregon(俄勒冈大学)
领域自适应在人的再识别(re-ID)一直是一个具有挑战性的任务。在这项工作中,我们将探索如何利用目标域样本中存在的自然相似特征,以无监督的方式进行人员重新识别。具体地说,我们提出了一个自相似性聚类(SSG)的方法,它利用潜在的相似性(从全球机构的局部部分)的未标记的样本,自动建立多个集群从不同的观点。然后,这些独立的聚类被分配标签,这些标签作为伪身份来监督训练过程。我们反复交替地进行这样的分组和训练过程,直到模型稳定。尽管明显简化,但我们的SSG在mAP方面分别优于最先进的4.6%(DukeMTMC对Market 1501)和4.4%(Market 1501对DukeMTMC)。在我们的SSG上,我们进一步引入了一种名为SSG ++的聚类引导半监督方法,以在开集设置(即来自目标域的独立身份的数量未知)中进行一次性域自适应。在不花费太多精力标记的情况下,我们的SSG ++可以在SSG上分别进一步促进mAP 10.7%和6.9%。我们的代码可在:https://github.com/OasisYang/SSG.
2019-09-24 cs.AI cs.CV stat.ML
Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition
Pengcheng Laboratory(鹏城实验室);School of Electronic and Information Engineering, South China University of Technology(华南理工大学电子与信息学院);Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)(香港中文大学(深圳));Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
提出拓扑感知建模(TAM)框架解决点云Sim2Real无监督域适应问题,利用全局空间拓扑和自监督任务建模几何特征,并结合对比学习与自训练策略,有效缓解域差距并持续优于现有方法。
2025-06-26 cs.CV
Cryo-shift: Reducing domain shift in cryo-electron subtomograms with unsupervised domain adaptation and randomization
Jadavpur University(贾达普大学);Carnegie Mellon University(卡内基梅隆大学)
冷冻电子断层扫描(cryo-ET)是一种3D成像技术,能够以近原子分辨率原位可视化亚细胞结构。细胞冷冻ET图像有助于解析单个细胞中大分子的结构和空间关系,在细胞和结构生物学中具有广泛的意义。亚断层图像分类和识别构成了这些大分子结构的系统恢复的主要步骤。监督式深度学习方法已被证明对于子断层图像分类是高度准确和高效的,但由于注释数据的稀缺,其适用性有限。虽然生成用于训练监督模型的模拟数据是一种潜在的解决方案,但与真实实验数据相比,生成的数据中的图像强度分布的相当大的差异将导致训练的模型在真实子断层图像上的预测类中表现不佳。在这项工作中,我们提出了Cryo-Shift,这是一个完全无监督的域自适应和随机化框架,用于基于深度学习的跨域子断层图像分类。我们使用无监督的多对抗域自适应来减少模拟和实验数据特征之间的域偏移。我们开发了一个网络驱动的域随机化过程与“翘曲”模块来改变模拟数据,并帮助分类器更好地概括实验数据。我们不使用任何标记的实验数据来训练我们的模型,而现有的一些替代方法需要标记的实验样本进行跨域分类。尽管如此,冷冻移位优于现有的替代方法,在跨域subtomography分类在广泛的评估研究表明,本文使用模拟和实验数据。
2021-11-17 cs.CV cs.LG q-bio.QM
Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation
BMW Group(宝马集团);Technical University of Munich(慕尼黑工业大学);University of Glasgow(格拉斯哥大学);Radboud University(拉德堡德大学)
三维(3D)物体识别对于智能自主智能体(如自主车辆和机器人)在非结构化环境中有效运行至关重要。大多数最先进的方法依赖于相对密集的点云,并且对于稀疏点云,性能显著下降。无监督域自适应允许使用最少的未标记稀疏点云来最小化密集点云和稀疏点云之间的差异,从而节省额外的稀疏数据汇集、注释和再训练成本。在这项工作中,我们提出了一种基于点云的对象识别的新方法,该方法在密集和稀疏点云上具有与最先进的方法竞争的性能,同时仅使用密集点云进行训练。
2022-05-07 cs.CV cs.RO
Towards Real Unsupervised Anomaly Detection Via Confident Meta-Learning
Dept. of Engineering for Innovation Medicine, University of Verona(创新医学工程系,威尼斯大学);Qualyco S.r.l.(Qualyco公司)
针对现有“无监督异常检测”实际为半监督、需人工整理正常训练数据的问题,提出模型无关的置信元学习策略CoMet,整合软置信学习与元学习,可直接从未整理含噪数据训练,在多个基准数据集上刷新最优性能。
2025-10-28 cs.CV cs.LG
Generative Domain Adaptation for Face Anti-Spoofing
Shanghai Jiao Tong University(上海交通大学);Youtu Lab, Tencent(腾讯优图实验室)
基于无监督域自适应(UDA)的人脸反欺骗(FAS)方法由于在目标场景下具有良好的性能而受到越来越多的关注。大多数现有的UDA FAS方法通常通过调整语义高层特征的分布来使训练模型适合目标领域。然而,未标记的目标域的监督不足和忽视低级别的特征对齐降低了现有方法的性能。为了解决这些问题,我们提出了一种新的UDA FAS视角,直接将目标数据拟合到模型中,即,通过图像转换将目标数据风格化为源域风格,并进一步将风格化的数据馈送到经过良好训练的源模型中进行分类。所提出的生成式领域自适应(GDA)框架结合了两个精心设计的一致性约束:1)域间神经统计一致性指导生成器缩小域间间隙。2)双层语义一致性保证了风格化图像的语义质量。此外,我们提出了域内频谱混合,以进一步扩大目标数据分布,以确保泛化和减少域内差距。大量的实验和可视化证明了我们的方法对国家的最先进的方法的有效性。
2022-09-11 cs.CV
Unsupervised Domain Adaptation for Automated Knee Osteoarthritis Phenotype Classification
The Chinese University of Hong Kong(香港中文大学);Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine(上海交通大学医学院附属第六人民医院)
本文提出一种无监督域自适应方法,利用大规模高质量源数据集训练,提升小目标数据集上膝关节骨关节炎表型自动分类性能,并通过AUROC、灵敏度、特异性和准确率验证其优于不使用UDA的分类器。
2022-12-14 cs.CV eess.IV
Multi-Anchor Active Domain Adaptation for Semantic Segmentation
Tencent Jarvis Lab(腾讯贾维斯实验室)
无监督域自适应已被证明是一种有效的方法,通过对齐合成的源域数据和真实世界的目标域样本,以减轻人工注释的密集工作量。不幸的是,无条件地将目标域分布映射到源域可能会扭曲目标域数据的基本结构信息。为此,我们首先提出引入一种新的基于多锚点的主动学习策略,以协助关于语义分割任务的领域自适应。通过创新性地采用多个锚点而不是单个质心,可以更好地将源域表征为多峰分布,从而从目标域中选择更具代表性和互补性的样本。由于手动注释这些活动样本的工作量很小,因此可以有效地减轻目标域分布的失真,从而获得很大的性能增益。多锚点策略被用来模拟目标分布。通过一种新的软对齐损失来正则化多个锚点周围目标样本的潜在表示,可以实现更精确的分割。在公共数据集上进行了大量的实验,以证明所提出的方法明显优于最先进的方法,以及彻底的消融研究,以验证每个组件的有效性。
2021-08-18 cs.CV