GAMA: Geometry-Aware Manifold Alignment via Structured Adversarial Perturbations for Robust Domain Adaptation
针对域适应中源目标域流形差异大、现有方法忽略精确流形对齐与结构化扰动探索的问题,提出几何感知流形对齐框架GAMA,通过切空间探索和流形约束优化实现显式对齐,理论与实验均验证其在多数据集上的性能优势。
2025-05-21 cs.CV
Joint Geometrical and Statistical Alignment for Visual Domain Adaptation
University of Wollongong(伍伦贡大学)
提出了一种新的无监督领域自适应跨域视觉识别方法。我们提出了一个统一的框架,减少域之间的转移统计和几何,称为联合几何和统计对齐(JGSA)。具体地说,我们学习两个耦合的投影,投影的源域和目标域的数据到低维子空间的几何位移和分布偏移同时减少。目标函数可以有效地解决在一个封闭的形式。大量的实验已经验证了所提出的方法显着优于几个国家的最先进的领域自适应方法上的合成数据集和三个不同的现实世界的跨域视觉识别任务。
2017-05-16 cs.CV
Vehicle-to-Everything Cooperative Perception for Autonomous Driving
College of Science and Engineering, James Cook University(科学与工程学院,詹姆斯库克大学);Momoni AI;Department of Electrical and Computer Engineering, University of Alabama in Huntsville(电气与计算机工程系,阿拉巴马大学亨茨维尔分校);Department of Automation and Intelligent Sensing, Shanghai Jiaotong University(自动化与智能感知系,上海交通大学);School of Engineering, Swinburne University of Technology(工程学院,斯威本技术大学);Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)(信息与通信研究机构,科技研究局(A*STAR))
本文是自动驾驶领域车路协同(V2X)感知的全面综述,梳理了相关数学模型、关键技术,分析了核心挑战并展望了未来研究方向。
2025-09-02 cs.CV
Discriminative Feature Alignment: Improving Transferability of Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment
University of British Columbia(不列颠哥伦比亚大学)
在这项研究中,我们专注于无监督的领域自适应问题,近似推理模型是从标记的数据域学习,并期望推广到未标记的数据域。无监督领域自适应的成功很大程度上依赖于跨领域特征对齐。以前的工作试图直接对齐潜在的功能分类器引起的差异。然而,一个共同的特征空间并不总是通过这种直接的特征对齐学习,特别是当一个大的域间隙存在。为了解决这个问题,我们引入了高斯引导的潜在对齐方法,在先验分布的指导下对齐两个域的潜在特征分布。以这种间接的方式,来自两个域的样本上的分布将在公共特征空间上构建,即,先验空间,这促进了更好的特征对齐。为了有效地将目标潜在分布与此先验分布对齐,我们还提出了一种新的不成对L1距离,利用编码器-解码器的公式。对九个基准数据集的广泛评估通过优于最先进的方法和所提出的方法的通用性,通过显着改善现有的工作,验证了优越的知识可转移性。
2020-08-09 cs.CV
Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
Tsinghua University(清华大学)
深度学习方法在无监督领域自适应中显示出了希望,其目的是利用标记的源域来学习具有不同分布的未标记目标域的分类器。然而,这样的方法通常学习域不变表示空间以匹配源域和目标域的边缘分布,而忽略它们的精细级结构。在本文中,我们提出了一个教师(CAT)的无监督领域自适应,它可以有效地将区分聚类结构在两个领域更好的适应。从技术上讲,CAT利用隐式集成教师模型来可靠地发现未标记目标域的特征空间中的类条件结构。然后,CAT强制源和目标域的特征形成区分性的类条件聚类,并跨域对齐相应的聚类。实验结果表明,CAT在几个无监督的领域自适应场景中达到了最先进的结果。
2019-10-09 cs.CV
Attention-based Cross-Layer Domain Alignment for Unsupervised Domain Adaptation
Zhejiang University(浙江大学);Ritsumeikan University(立命馆大学)
无监督领域自适应(UDA)的目的是从标记的源领域学习可转移的知识,并使训练好的模型适应未标记的目标领域。为了弥合源域和目标域之间的差距,一种流行的策略是通过对齐由深度模型提取的语义特征来最小化分布差异。现有的基于域的方法主要集中在减少同一模型层中的域分歧。然而,由于域的变化,相同级别的语义信息可能分布在模型层之间。为了进一步提高模型自适应性能,本文提出了一种基于注意力的跨层域对齐(ACDA)方法,该方法通过动态注意力机制捕获源域和目标域之间跨模型层的语义关系,并自动校准各个层次的语义信息。设计了一个精心设计的注意力机制,根据语义相似度对每个跨层对进行重新加权,以实现精确的领域对齐,从而在模型自适应过程中有效地匹配每个层次的语义信息。在多个基准数据集上的大量实验一致表明,所提出的方法ACDA产生最先进的性能。
2022-02-27 cs.CV
Subspace Alignment Based Domain Adaptation for RCNN Detector
IIT Kanpur(印度理工学院坎普尔分校);KU Leuven(鲁汶大学)
在本文中,我们提出了基于子空间对齐的领域自适应的最先进的RCNN为基础的对象检测器。目标是能够在新颖的真实世界目标场景中实现高质量的目标检测,而不需要来自目标域的标签。然而,无监督领域自适应已经在对象分类的情况下进行了研究,对于目标检测,它一直相对未被探索。在基于子空间的对象领域自适应中,我们需要访问源和目标子空间以获得限界框特征。缺乏监督(标签和边界框都没有)使任务具有挑战性。在本文中,我们证明了我们仍然可以通过从在源上训练并应用于目标的RCNN检测器中获得检测来适应被定位到对象的子空间。然后,我们形成本地化的子空间的检测和子空间对齐这些子空间之间的适应产生改进的目标检测。通过将PASCAL VOC的挑战性真实世界数据集作为源,并将Microsoft COCO数据集的验证集作为各种类别的目标,进行了此评估。
2015-07-20 cs.CV
Multiple Subspace Alignment Improves Domain Adaptation
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
提出了一种新的无监督领域自适应(DA)方法用于跨领域视觉识别。虽然子空间方法在DA中取得了成功,但由于使用单个低维子空间近似整个数据集的假设,它们的性能往往受到限制。相反,我们开发了一种方法,通过一组低维子空间有效地表示源数据集和目标数据集,然后通过利用格拉斯曼流形上的子空间空间的自然几何形状来对齐它们。我们证明了这种方法的有效性,使用两个广泛使用的基准的实证研究,与最先进的领域自适应性能
2018-11-11 cs.CV
Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training
Peking University(北京大学);National Engineering Laboratory for Big Data Analysis and Applications(大数据分析与应用国家工程实验室);Center for Data Science(数据科学中心);Beijing International Center for Mathematical Research (BICMR)(北京国际数学研究中心);Center for Data Science in Health and Medicine(健康医疗数据科学中心)
提出了一种基于像素对齐和自训练的无监督跨模态领域自适应方法。像素对齐将ceT1扫描转换为hrT2模态,有助于减少训练分割模型中的域偏移。自训练调整分割网络的决策边界以适应hrT2扫描的分布。实验结果表明,PAST显著优于非UDA基线,在CrossMoDA验证阶段排行榜上获得了2级,平均Dice得分为0.8395。
2021-09-29 cs.CV
ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
无监督域自适应分类旨在提高未标记目标域的分类性能。为了减轻域偏移的不利影响,许多方法在特征空间中对齐源域和目标域。然而,一个功能通常是作为一个整体进行对齐,而没有明确地使域对齐主动服务于分类任务,导致次优的解决方案。在本文中,我们提出了一个有效的面向任务的对齐(ToAlign)的无监督领域自适应(UDA)。我们研究了什么样的功能应该跨域对齐,并提出了域对齐主动服务于分类任务本身诱导的先验知识的指导下进行特征分解和对齐。特别是,我们显式地将源域中的特征分解为应对齐的任务相关/判别特征,以及应避免/忽略的任务无关特征。在各种基准上的广泛实验结果(例如,Offce-Home、Visda-2017和DomainNet)在不同领域自适应设置下的测试结果表明,ToAlign有助于实现最先进的性能。该代码可在https://github.com/microsoft/UDA上公开获取
2021-10-26 cs.CV
Modified Distribution Alignment for Domain Adaptation with Pre-trained Inception ResNet
Lehigh University(理海大学)
深度神经网络在计算机视觉中得到了广泛应用。有几个经过良好训练的深度神经网络用于ImageNet分类挑战,它在图像识别中发挥了重要作用。然而,很少有工作探讨了预训练的神经网络的图像识别领域的适应。在本文中,我们是第一个从预训练的Inception ResNet模型中提取更好的表示特征的人,用于领域自适应。然后,我们提出了一种改进的分布对齐方法,使用提取的特征进行分类。我们使用三个基准数据集(Office+Caltech-10,Office-31和E-Home)来测试我们的模型。大量的实验表明,与最先进的方法相比,分类准确率有显著的提高(4.8%,5.5%和10%)。
2019-04-18 cs.CV
Unsupervised domain adaptation via coarse-to-fine feature alignment method using contrastive learning
University of Electronic Science and Technology of China(电子科技大学)
以往的无监督领域自适应(UDA)特征对齐方法大多只对全局特征进行对齐,而没有考虑类间特征的失配。在这项工作中,我们提出了一种新的粗到精的特征对齐方法,使用对比学习称为CFContra。它比粗特征对齐或仅类特征对齐更接近类特征,因此在很大程度上提高了模型的性能。我们将其建立在UDA最有效的方法之一,称为熵最小化,以进一步提高性能。特别地,为了防止在语义分割中应用对比损失时过多的存储器占用,我们设计了一种新的方式来构建和更新存储体。通过这种方式,我们使算法更有效和可行的有限的内存。大量的实验表明,我们的方法和模型在GTA 5到Cityscapes数据集上训练的有效性,与MinEnt算法相比,mIOU提高了3.5。我们的代码将公开。
2021-03-23 cs.CV
Feature Alignment and Restoration for Domain Generalization and Adaptation
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
对于领域泛化(DG)和无监督领域自适应(UDA),跨领域特征对齐已被广泛探索,以提取不同领域的特征分布,以便学习领域不变表示。然而,特征对齐通常是任务无关的,并且可能导致特征表示的区分能力的退化,从而阻碍高性能。在本文中,我们提出了一个统一的框架,称为特征对齐和恢复(FAR),同时确保高的泛化能力和鉴别能力的网络有效的DG和UDA。具体来说,我们执行跨域的特征对齐(FA)通过对齐精心选择的特征的分布的时刻,以减少它们的差异。为了确保高分辨率,我们提出了一个特征恢复(FR)操作,从残留信息中提取任务相关的功能,并使用它们来补偿对齐的功能。为了更好地解纠缠,我们在FR步骤中强制执行双排名熵损失约束,以鼓励分离任务相关和任务无关的功能。在多个分类基准上的大量实验表明,我们的FAR框架在领域泛化和无监督领域自适应方面都具有很高的性能和很强的泛化能力。
2020-06-22 cs.CV
CAFA: Class-Aware Feature Alignment for Test-Time Adaptation
University of Washington(华盛顿大学);KAIST AI(韩国科学技术院人工智能学院);Enssel Inc.(Enssel公司)
针对测试时适应中无法以类判别方式学习目标表示的问题,提出类感知特征对齐损失CAFA,无需超参数,在6个数据集上持续优于现有基线。
2023-09-04 cs.CV
Towards Self-similarity Consistency and Feature Discrimination for Unsupervised Domain Adaptation
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
无监督领域自适应的最新进展主要集中在通过全局分布对齐来学习共享表示,而没有考虑跨领域的类别信息。然而,类信息的忽略可能导致部分对齐(甚至不对齐)和较差的泛化性能。对于全面的对齐,我们认为,在源域中的不同功能之间的相似性应该是一致的,在目标域。基于这一假设,我们提出了一个新的域差异度量,即,自相似性一致性(SSC),强制特征结构在域之间保持一致。著名的相关对齐(CORAL)被证明是一个特殊的情况下,和次优措施,我们提出的SSC。此外,我们还建议通过结合深度表示的判别信息来减轻部分对齐和未对齐的副作用。具体而言,一个非常简单和有效的特征范数约束被用来扩大类间样本的差异。它减轻了执行自适应时严格对齐的要求,因此显著提高了自适应性能。在视觉领域自适应任务上的大量实验证明了我们提出的SSC度量和特征判别方法的有效性。
2019-04-13 cs.CV
Dynamic Feature Alignment for Semi-supervised Domain Adaptation
University of Kentucky(肯塔基大学);Eastern Kentucky University(东肯塔基大学)
大多数关于领域自适应的研究都集中在纯无监督的设置上,其中目标域中没有标记的示例可用。然而,在许多现实世界的场景中,少量的标记目标数据是可用的,可以用来提高适应性。我们解决这个半监督设置,并建议使用动态特征对齐来解决域间和域内的差异。与以前的方法,试图在一个小批量对齐源和目标功能,我们建议对齐目标功能的一组动态更新的类原型,我们使用这两个最小化分歧和伪标签。通过基于类原型进行更新,我们避免了由于类不平衡而在以前的方法中出现的问题。我们的方法不需要大量的调整或对抗性训练,显著提高了半监督领域自适应的最新水平。我们提供了两个标准的数据集,DomainNet和EST-Home,和性能分析的定量评估。
2021-10-18 cs.CV
Towards Category and Domain Alignment: Category-Invariant Feature Enhancement for Adversarial Domain Adaptation
Carleton University(卡尔顿大学);University of Ottawa(渥太华大学)
对抗性领域自适应通过对齐两个领域的特征分布,在将知识从源领域转移到目标领域方面取得了令人印象深刻的进展。这些方法的重点是最大限度地减少域分歧,并将适应性(衡量为这两个域上理想联合假设的预期误差)视为一个小常数。然而,这些方法仍然面临两个问题:(1)对抗性域对齐扭曲了原始特征分布,降低了适应性;(2)将特征表示转换为域不变需要牺牲特定域的变化,导致较弱的可区分性。为了缓解这些问题,我们提出了类别不变特征增强(CIFE),一种通用的机制,通过优化适应性来增强对抗性领域自适应。具体而言,CIFE方法引入类别不变特征,以提高域不变特征的可区分性,同时保持可转移性。实验表明,CIFE可以改善代表性的对抗性领域自适应方法,产生国家的最先进的结果在五个基准。
2021-08-14 cs.CV
Bridging the Sim2Real gap with CARE: Supervised Detection Adaptation with Conditional Alignment and Reweighting
Georgia Tech(佐治亚理工学院);NVIDIA(英伟达)
Sim2Real领域自适应(DA)研究的重点是从标记的合成源域到未标记或稀疏标记的真实目标域的自适应约束设置。然而,对于高风险应用(例如,自动驾驶),除了大量的自动标记的源数据(例如,来自驾驶模拟器)之外,通常还具有适量的人类标记的真实数据。我们研究了这种设置的监督sim2real DA应用到二维目标检测。我们提出了域翻译通过条件对齐和重新加权(CARE)一种新的算法,系统地利用目标标签显式地关闭sim2real外观和内容的差距。我们提出了一个分析的理由,我们的算法,并证明了强大的收益在标准基准的竞争方法。
2023-02-09 cs.CV
Cross-Resolution SAR Target Detection Using Structural Hierarchy Adaptation and Reliable Adjacency Alignment
Department of Information Engineering, Harbin Institute of Technology(信息工程系,哈尔滨工业大学)
本文提出CR-Net,通过结构诱导层次特征自适应和可靠结构邻接对齐实现跨分辨率SAR目标检测的可靠域自适应,并在不同分辨率数据集上取得SOTA性能。
2025-09-19 cs.CV
MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
对于无监督的领域自适应(UDA),为了减轻领域转移的影响,许多方法通过对抗性学习或显式对齐其统计数据来对齐特征空间中的源域和目标域。然而,这种域对齐的优化目标通常与对象分类任务本身的优化目标不协调,使得它们用于优化的下降方向可能不一致。这将降低域对齐在提高UDA性能方面的有效性。在本文中,我们的目标是研究和减轻域对齐和分类任务之间的优化不一致问题。我们解决这个问题,提出了一个有效的元优化为基础的策略称为MetaAlign,在那里我们把域对齐目标和分类目标的元训练和元测试任务的元学习计划。MetaAlign鼓励以协调的方式优化这两个任务,从而在训练期间最大化两个任务的梯度的内积。实验结果表明,我们所提出的方法的有效性上的各种基于基线的方法,对象分类和目标检测的任务。MetaAlign有助于实现最先进的性能。
2021-03-25 cs.CV
Towards Fine-Grained Adaptation of CLIP via a Self-Trained Alignment Score
Mohamed Bin Zayed University of Artificial Intelligence(莫莫德·本·扎耶德人工智能大学);IIT Delhi(德里印度理工学院);Alexandria University(亚历山大大学)
针对CLIP在细粒度分类无监督适配中固定对齐分数和伪标签策略的局限,提出FAIR方法,利用类别描述锚点动态对齐图文特征并定义学习对齐分数,结合自训练加权机制优化伪标签,在13个数据集上取得2.78%的总体提升。
2025-07-13 cs.CV
Unsupervised Domain Adaptation for Sim-to-Real Object Pose Estimation with Contrastive Alignment and Pseudo-Label Refinement
SnT, University of Luxembourg(卢森堡大学SnT中心)
提出CAPLR方法,通过局部区域对比对齐和基于一致性的伪标签精炼,实现无监督域自适应物体姿态估计,在多个基准上达到最优性能。
2026-06-23 cs.CV
Semi-Supervised Domain Adaptation via Adaptive and Progressive Feature Alignment
Nanyang Technological University(南洋理工大学)
当代领域自适应语义分割的目标是通过假设目标领域是完全未注释的来解决数据注释的挑战。然而,注释一些目标样本通常是非常易于管理和值得的,特别是如果它大大提高了自适应性能。本文介绍了SSDAS,一个半监督域自适应图像分割网络,采用了一些标记的目标样本作为锚标记的源样本和未标记的目标样本之间的自适应和渐进的特征对齐。我们将少数标记的目标样本定位为参考,以衡量源和目标特征之间的相似性,并指导自适应域间对齐以学习更多相似的源特征。此外,我们在迭代训练过程中不断地用高置信度的目标特征替换不相似的源特征,实现了置信和不置信目标特征之间的渐进域内对齐。大量的实验表明,所提出的SSDAS大大优于一些基线,即,基于UDA的语义分割和基于SSDA的图像分类。此外,SSDAS是互补的,可以很容易地结合到基于UDA的方法与领域自适应语义分割的一致改进。
2021-06-05 cs.CV
Multi-Source Video Domain Adaptation with Temporal Attentive Moment Alignment
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局信息通信研究院);Pluang
多源领域自适应(MSDA)是现实场景中更实用的领域自适应场景。它放宽了传统的无监督领域自适应(UDA)中的假设,即源数据是从单个域采样的,并且匹配均匀的数据分布。MSDA是更困难的,由于不同的域对之间存在不同的域移位。当考虑视频时,负迁移将由时空特征引起,并且可以被公式化为更具挑战性的多源视频领域自适应(MSVDA)问题。在本文中,我们提出了一种新的时间注意力矩对齐网络(TAMAN),其目的是通过动态对齐空间和时间特征矩有效的特征转移MSVDA问题。TAMAN进一步通过关注具有高局部分类置信度和全局与局部特征差异之间的低差异的主导域不变局部时间特征来构建鲁棒的全局时间特征。为了方便今后的研究MSVDA问题,我们引入全面的基准,涵盖广泛的MSVDA方案。实证结果表明,提出的TAMAN在多个MSVDA基准的优越性能。
2021-09-26 cs.CV
Task-Discriminative Domain Alignment for Unsupervised Domain Adaptation
Rutgers University(罗格斯大学);Samsung AI Center(三星人工智能中心)
领域自适应(DA)是一种将在一个领域(源)上学习到的任务模型有效地适应于其他相关但不同的领域(目标)的过程,没有或只有最少的再训练,通常使用源到目标流形对齐的过程来完成。然而,这一过程往往导致不令人满意的适应性能,部分原因是它忽略了特定于任务的数据结构。在本文中,我们提高了DA的性能,通过引入一个歧视性的差异措施,利用辅助信息在源和目标域,以更好地对齐源和目标分布。具体来说,我们利用与不同任务相关联的单个数据流形内的内聚聚类结构来改进对齐。这种结构在源中是显式的,其中任务标签是可用的,但在目标中是隐式的,使问题具有挑战性。我们通过设计一个深度DA框架来解决这一挑战,该框架将一个新的任务驱动的域对齐算法与域正则化器相结合,该正则化器鼓励共享特征作为任务特定的和域不变的,并促使任务模型保持数据结构,引导其决策边界通过低密度数据区域。我们在标准基准上验证了我们的框架,包括Digits(MNIST,USPS,SVHN,MNIST-M),PACS和VisDA。我们的研究结果表明,我们提出的模型始终优于国家的最先进的无监督领域自适应。
2019-09-26 cs.CV
Class Distribution Alignment for Adversarial Domain Adaptation
Nanjing Normal University(南京师范大学);Nanjing University(南京大学);University of Wollongong(伍伦贡大学);University of Sydney(悉尼大学)
现有的大多数无监督领域自适应方法主要集中在对齐源域和目标域之间的样本边缘分布。这种设置没有充分考虑两个域之间的类别分布信息,这可能对域间隙的减小产生不利影响。为了解决这个问题,我们提出了一种称为条件对抗图像翻译(CADIT)的新方法,以显式对齐两个域之间给定样本的类分布。它集成了一个判别性结构保持损失和一个联合对抗性生成损失。前者在整个图像平移过程中有效地防止了不期望的标签翻转,而后者则保持了图像和标签的联合分布对齐。此外,我们的方法加强了目标领域的图像适应前后的分类一致性,以帮助在两个领域的分类器训练。在多个基准数据集上进行了广泛的实验,包括Digits,Faces,Scenes和Bulletin 31,表明与最先进的方法相比,我们的方法在目标领域实现了更好的分类。此外,定性和定量的结果都很好地支持了我们的动机,对齐类分布确实可以提高领域自适应。
2020-04-20 cs.CV
Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation
Arizona State University(亚利桑那州立大学)
针对部分域适应中私有源类别样本导致的负迁移问题,提出通过超越一阶矩推导紧凑类别分布、优化类内类间分布并设计鲁棒伪标签与补熵模块的方法,显著提升了分类性能。
2023-10-19 cs.CV
Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection
NELVT, School of EE & CS, Peking University(北京大学电子信息与计算机科学学院NELVT);University of Chinese Academy of Sciences(中国科学院大学);School of ECE, Peking University(北京大学电子信息工程学院);Pengcheng Laboratory(鹏城实验室);Beijing Institute of Technology(北京理工大学);Nanyang Technological University(南洋理工大学)
无监督领域自适应(UDA)在提高目标检测模型的跨域鲁棒性方面取得了前所未有的成功。然而,现有的UDA方法在很大程度上忽略了模型学习过程中的瞬时数据分布,这可能会在较大的域偏移情况下恶化特征表示。在这项工作中,我们提出了一个自我导向适应(SGA)模型,目标对准的特征表示和跨域的目标检测模型,同时考虑到即时对齐的困难。SGA的核心是在核空间中计算样本对的“硬度”因子,以指示域距离。该算法通过引入硬度因子,自适应地指示样本的重要性,并赋予样本不同的约束条件。根据硬度因子的指示,在模型自适应过程中以“由易到难”的方式实现了自引导渐进采样(SPS)。使用多级卷积特征,SGA进一步聚合以完全对齐检测模型的分层表示。在常用的基准测试上的大量实验表明,SGA改进了最先进的方法,具有显着的裕度,同时证明了大域偏移的有效性。
2020-03-22 cs.CV
Synthetic to Real Adaptation with Generative Correlation Alignment Networks
Boston University(波士顿大学)
从3D CAD模型渲染的合成图像对于增强对象识别算法的训练数据是有用的。然而,生成的图像是非真实感的,并且不匹配真实图像统计。这会导致较大的域差异,导致在合成数据上训练的模型在真实域上表现不佳。最近的工作已经显示了深度卷积神经网络生成逼真图像的巨大潜力,但尚未利用生成模型来解决合成到真实领域自适应。在这项工作中,我们提出了一个深度生成相关对齐网络(DGCAN)合成图像使用一种新的域自适应算法。DGCAN利用形状保持损失和低水平的统计匹配损失来最小化深特征空间中合成图像和真实图像之间的域差异。实验表明,在新生成的数据上训练现成的分类器可以显着提高在真实图像域(PASCAL VOC 2007基准和Office数据集)上测试时的性能,改进了几种现有的方法。
2017-03-18 cs.CV
Contrastive Conditional Alignment based on Label Shift Calibration for Imbalanced Domain Adaptation
School of Communication
本文提出 CCA-LSC 方法,通过对比条件对齐解决协变量偏移,并利用标签偏移校准目标伪标签,以提升不平衡域自适应性能。
2024-12-29 cs.CV
FedSCAl: Leveraging Server and Client Alignment for Unsupervised Federated Source-Free Domain Adaptation
Indian Institute of Science(印度科学研究院)
FedSCAl通过引入服务器-客户端对齐机制,有效缓解联邦源域适应中的客户端漂移问题,提升伪标签准确性并优于现有方法。
2025-12-07 cs.CV
Lost in Translation? Vocabulary Alignment for Source-Free Adaptation in Open-Vocabulary Semantic Segmentation
The Good AI Lab(好AI实验室);ETH Zurich(苏黎世联邦理工学院);AMD Silo AI;Google(谷歌);Technical University of Munich(慕尼黑技术大学);INSAIT, Sofia University, St. Kliment Ohridski(INSAIT,索菲亚大学,圣克莱孟·奥赫里茨基);University of Bologna(博洛尼亚大学)
针对开放词汇语义分割中 VLM 的无源域适应问题,提出 VocAlign 框架,结合词汇对齐师生范式、LoRA 微调与 Top-K 类别选择,在 CityScapes 上提升 6.11 mIoU 并取得优异零样本性能。
2025-09-29 cs.CV
Just DIAL: DomaIn Alignment Layers for Unsupervised Domain Adaptation
Sapienza University(罗马大学);Institut de Robotica i Informatica Industrial CSIC-UPC(西班牙国家研究委员会-加泰罗尼亚理工大学工业机器人与计算机视觉研究所);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Perugia(佩鲁贾大学)
经验的事实,即分类器,在给定的数据汇集,在不同的设置中获得的数据进行测试时表现不佳,在理论上解释了领域自适应通过源和目标域的分布之间的转变。减轻域转移问题,特别是在没有标记数据可用于目标域的具有挑战性的设置中,对于使视觉识别系统在野外工作至关重要。由于问题源于分布之间的转变,直觉上应该尝试将它们对齐。在文献中,这导致了一系列试图将从源域和目标域学习到的特征表示对齐的工作。在这里,我们采取不同的路线。而不是引入正则化条款,旨在促进对齐的两个表示,我们采取行动的分布水平,通过引入\emph{DomaIn Alignment Layers}(\DIAL),能够匹配所观察到的源和目标数据分布的参考。在三个不同的公共基准上进行了彻底的实验,我们证实了我们的方法的力量。
2017-04-27 cs.CV
Correlation Alignment by Riemannian Metric for Domain Adaptation
Pattern Analysis and Computer Vision (PAVIS)(模式分析与计算机视觉(PAVIS));Istituto Italiano di Tecnologia(意大利技术研究院)
领域自适应技术解决了降低机器学习方法对所谓的领域偏移(即源(训练)和目标(测试)数据分布之间的差异)的敏感性的问题。特别地,无监督领域自适应假设在目标领域中没有标签可用。为此,对齐目标域和源域的二阶统计量(协方差)已被证明是一种有效的方法,以填补域之间的差距。然而,协方差矩阵并不构成欧几里得空间的子空间,而是存在于具有非正曲率的黎曼流形中,使得通常的欧几里得度量在测量距离时是次优的。在本文中,我们扩展了训练神经网络的思想与约束的协方差的隐藏层功能,严格占对称正定矩阵的流形的弯曲结构。由此产生的损失函数利用了理论上合理的测地线距离这样的流形。结果表明,欧几里德距离的次优性质。这使得我们能够在标准Office数据集上执行比以前更好的方法,这是领域自适应技术的基准。
2017-05-23 cs.CV
Alleviating Human-level Shift : A Robust Domain Adaptation Method for Multi-person Pose Estimation
Beijing Jiaotong University(北京交通大学)
人体姿态估计已经被广泛研究,其中很多关注于需要足够注释的监督学习。然而,在实际应用中,预训练的姿态估计模型通常需要适应没有标签或稀疏标签的新领域。这种用于2D姿态估计的领域自适应尚未被探索。主要原因是姿势本身具有典型的拓扑结构,需要在局部关键点中进行细粒度的特征提取。而现有的自适应方法没有考虑感兴趣对象的拓扑结构,对整幅图像的配准比较粗糙。因此,我们提出了一种新的领域自适应方法进行多人姿态估计的人级拓扑结构对齐和细粒度的特征对齐。我们的方法包括三个模块:交叉注意特征对齐(CAFA),域内结构自适应(ISA)和域间人类拓扑对齐(IHTA)模块。CAFA采用了一个双向空间注意模块(BSAM),专注于细粒度的两个人之间的局部特征的相关性,自适应地聚合一致的适应功能。我们只在半监督领域自适应(SSDA)中采用ISA,以利用相应的关键点语义关系来减少域内偏差。最重要的是,我们提出了一个IHTA来学习更多的域不变的人类拓扑表示,以减少域间的差异。我们通过图卷积网络(GCN)来建模人体拓扑结构,通过传递消息,可以考虑高阶关系。这种基于GCN的结构保持对齐有利于遮挡或极端姿态的推断。在两个流行的基准测试上进行了大量的实验,结果表明,与现有的监督方法相比,我们的方法的能力。
2020-08-13 cs.CV
D3GU: Multi-Target Active Domain Adaptation via Enhancing Domain Alignment
Carnegie Mellon University(卡内基梅隆大学);Florida State University(佛罗里达州立大学)
本文提出首个多目标主动域适应框架D3GU,通过分解域判别实现源域与目标域及目标域之间的对齐,并设计梯度效用分数结合KMeans进行主动采样,在多个基准数据集上取得持续优越性能。
2024-01-10 cs.CV
Enhanced Online Test-time Adaptation with Feature-Weight Cosine Alignment
RMIT University(RMIT大学)
针对在线测试时自适应中熵最小化方法存在的噪声梯度问题,提出特征-权重余弦对齐的双目标优化方法,在多个数据集上实现更优的适配精度与鲁棒性。
2024-05-12 cs.CV
Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation
Tencent Youtu Lab(腾讯优图实验室);The Chinese University of Hong Kong(香港中文大学)
无监督领域自适应(UDA)的目的是将在标记的源域上训练的模型适应到未标记的目标域。在本文中,我们提出了原型对比度自适应(ProCA),一个简单而有效的对比学习方法无监督域自适应语义分割。以往的领域自适应方法只考虑了类内表示分布在不同领域之间的对齐,而没有充分挖掘类间的结构关系,导致目标领域上对齐的表示可能不再像源领域上那样容易区分.相反,ProCA将类间信息纳入类的原型,并采用以类为中心的分布对齐进行自适应。通过将相同的类原型视为阳性,将其他类原型视为阴性,以实现以类为中心的分布对齐,ProCA在经典领域自适应任务{ \em,即,\text{and} SYNTHIA $\to$ Cityscapes}.代码可从\href{https://github.com/jiangzhengkai/ProCA}{ProCA}获得
2022-07-14 cs.CV
Feature-aware Adaptation and Density Alignment for Crowd Counting in Video Surveillance
Northwestern Polytechnical University(西北工业大学)
随着深度神经网络的发展,人群计数和逐像素密度估计的性能不断被刷新。尽管如此,该领域仍存在两个挑战性问题:1)当前的监督学习需要大量的训练数据,但收集和标注困难; 2)现有方法不能很好地推广到未知领域。最近发布的合成人群数据集说明了这两个问题。然而,真实世界数据和合成图像之间的域间隙降低了模型的性能。为了减小这种差距,本文提出了一种领域自适应的人群计数方法,该方法可以有效地将合成数据模型自适应到特定的真实场景。它包括多层结构化密度图对齐(SDA)和多层结构化密度图自适应(MFA)。具体来说,MFA增强了模型,从多个层中提取域不变特征。SDA保证网络输出精细的密度图,在实域上具有合理的分布。最后,我们评估所提出的方法在四个主流的监控人群数据集,上海科技B部分,世博会'10,购物中心和UCSD。大量的实验证明,我们的方法优于国家的最先进的方法相同的跨域计数问题。
2020-10-27 cs.CV
Bures Joint Distribution Alignment with Dynamic Margin for Unsupervised Domain Adaptation
Sun Yat-Sen University(中山大学);Guangdong University of Finance and Economics(广东财经大学);JiaYing University(嘉应学院)
无监督领域自适应(UDA)是迁移学习的重要任务之一,它提供了一种有效的方法来减轻标记源域和未标记目标域之间的分布偏移。以前的工作主要集中在对齐的边缘分布或估计类条件分布。然而,特征和标签之间的联合依赖性对于适应任务至关重要,并且没有得到充分利用。为了解决这个问题,我们提出了Bures联合分布对齐(BJDA)算法,直接建模的联合分布偏移的基础上的最优传输理论在无限维核空间。具体来说,我们提出了一种新的对齐损失项,最大限度地减少联合分布之间的内核Bures-Wasserstein距离。从技术上讲,BJDA可以有效地捕捉数据背后的非线性结构。此外,我们在对比学习阶段引入了一个动态边界,以灵活地刻画类可分性,提高表示的区分能力。它还避免了在传统的基于三重损失的方法中确定边缘参数的交叉验证过程。大量的实验表明,BJDA是非常有效的UDA任务,因为它优于国家的最先进的算法在大多数实验设置。特别是,BJDA将UDA任务的平均准确率提高了2.8%,在Adaptiope上提高了1.4%,在ImageCLEF-DA上提高了1.1%。
2022-03-14 cs.CV
TCSA-UDA: Text-Driven Cross-Semantic Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation
School of Computing, University of Portsmouth(朴茨茅斯大学计算学院);Department of Computer Science, Aberystwyth University(阿伯里斯特威斯大学计算机科学系)
本文提出TCSA-UDA框架,通过文本驱动的跨语义对齐方法,在医学图像分割中减少域偏移并提升跨模态一致性。
2026-08-25 cs.CV
Deep Adversarial Attention Alignment for Unsupervised Domain Adaptation: the Benefit of Target Expectation Maximization
University of Technology Sydney(悉尼科技大学);Australian National University(澳大利亚国立大学)
在本文中,我们使用卷积神经网络(CNN)对无监督领域自适应(UDA)做出了两个贡献。首先,我们的方法通过注意力对齐在所有卷积层中传输知识。大多数先前的方法对齐高级表示,例如,全连接(FC)层的激活。然而,在这些方法中,支撑关键低级领域知识的卷积层不能直接更新以减少领域差异。具体来说,我们假设图像中的判别区域对图像风格的变化是相对不变的。基于这一假设,我们提出了一种对所有目标卷积层的注意力对齐方案,以揭示源域共享的知识。其次,我们估计目标网络训练的未标记数据的后验标签分布。以前的方法,迭代地更新的伪标签的目标网络和目标网络的更新的伪标签,是容易受到标签估计错误。相反,我们的方法使用类别分布来计算训练的交叉熵损失,从而改善了估计标签的错误累积。这两个贡献使我们的方法在Office-31数据集上的表现优于最先进的方法+2.6%。
2018-08-11 cs.CV
Aligning Non-Causal Factors for Transformer-Based Source-Free Domain Adaptation
本文提出C-SFTrans框架,通过先对齐非因果因素再对齐任务判别性因果因素的两阶段方法,首次在无源域自适应中利用视觉Transformer实现因果解耦,并在多个基准上取得最优结果。
2023-11-27 cs.CV
Subspace Alignment For Domain Adaptation
KU Leuven(鲁汶大学);Université de Lyon(里昂大学);Université de St-Etienne(圣艾蒂安大学);CNRS(法国国家科学研究中心)
在本文中,我们介绍了一种新的领域自适应(DA)算法,其中的源和目标域表示的子空间的特征向量。我们的方法寻求一个域不变的特征空间,通过学习一个映射函数,将源子空间与目标子空间对齐。我们表明,相应的优化问题的解决方案可以得到一个简单的封闭形式,导致一个非常快的算法。我们提出了两种方法来确定唯一的超参数在我们的方法对应的子空间的大小。在第一种方法中,我们调整子空间的大小,使用理论界的稳定性所获得的结果。在第二种方法中,我们使用最大似然估计来确定子空间的大小,这对于高维数据特别有用。除了主成分分析,我们提出了一个子空间创建方法,优于偏最小二乘(PLS)和线性判别分析(LDA)的领域自适应。我们在各种数据集上测试了我们的方法,结果表明,尽管它本质上很简单,但它优于最先进的DA方法。
2014-10-23 cs.CV
Multi-Granularity Alignment Domain Adaptation for Object Detection
University of Chinese Academy of Sciences(中国科学院大学);Kitware, Inc.(Kitware公司);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
由于源域和目标域之间的数据分布不同,域自适应目标检测具有挑战性。在本文中,我们提出了一个统一的多粒度对齐的目标检测框架,面向领域不变的特征学习。为此,我们编码的依赖关系在不同的粒度的角度,包括像素,实例和类别级别同时对齐两个域。基于骨干网络的像素级特征图,我们首先开发了全尺度门控融合模块,通过尺度感知卷积来聚合实例的判别表示,从而实现鲁棒的多尺度目标检测。同时,提出了多粒度鉴别器来识别样本的哪个域不同粒度(即,像素、实例和类别)来自。值得注意的是,我们不仅利用不同类别中的实例可区分性,还利用两个域之间的类别一致性。在多个领域自适应场景上进行了大量的实验,证明了我们的框架在无锚FCOS和基于锚的Faster RCNN检测器上的最新算法的有效性。
2022-03-31 cs.CV
Every Pixel Matters: Center-aware Feature Alignment for Domain Adaptive Object Detector
Academia Sinica(中央研究院);NEC Labs America(NEC美国实验室);National Chiao Tung University(国立交通大学);UC Merced(加州大学默塞德分校);Google Research(谷歌研究院)
域自适应对象检测器旨在使其自身适应于可能包含对象外观、视点或背景的变化的看不见的域。现有的方法大多采用图像级或实例级的特征对齐。然而,全局特征上的图像级对齐可能会同时纠缠前景/背景像素,而使用建议的实例级对齐可能会受到背景噪声的影响。不同于现有的解决方案,我们提出了一个领域自适应框架,占每个像素通过预测像素明智的对象和中心。具体而言,该方法通过更加关注前景像素来进行中心感知对齐,从而实现更好的跨域自适应。我们证明了我们的方法在众多的适应设置与广泛的实验结果,并显示出良好的性能对现有的最先进的算法。
2020-08-19 cs.CV
Class Conditional Alignment for Partial Domain Adaptation
Department of Computer Science and Engineering, University of Texas at Arlington, USA(德克萨斯大学阿灵顿分校计算机科学与工程系)
对抗性适应模型在将知识从标记的源数据集转移到未标记的目标数据集方面取得了重大进展。部分领域自适应(PDA)研究源域较大且多样,目标标签空间是源标签空间子集的情况。PDA的主要目的是识别领域之间的共享类,并促进从这些类中学习可转移的知识。在本文中,我们提出了一个多类对抗的PDA架构。该方法通过最小化一个新的多类对抗损失函数来联合对齐共享标签空间中的边缘和类条件分布。此外,我们将有效的正则化条款,以鼓励选择最相关的子集的源域类。在没有目标标签的情况下,所提出的方法能够有效地学习域不变特征表示,这反过来又可以提高目标域的分类性能。在Office-31、C-Home和Caltech-Office三个基准数据集上的综合实验证实了所提出的方法在解决不同部分迁移学习任务方面的有效性。
2020-03-14 cs.CV
Domain Adaptation by Mixture of Alignments of Second- or Higher-Order Scatter Tensors
Data61/CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所);Australian National University(澳大利亚国立大学)
在本文中,我们提出了一种方法的领域自适应,被称为二阶或更高阶的知识转移(So-HoT),基于混合物的对齐的源和目标域之间的二阶或更高阶的散射统计。在领域自适应的文献中,人类从少量标记样本中学习的能力是一个反复出现的动机。为此,我们研究了监督目标的情况下,每个类别存在很少的标记目标训练样本。具体来说,我们利用两个CNN流:在分类器级别融合的源网络和目标网络。每个网络的全连接层fc 7的特征用于计算二阶甚至更高阶的散射张量;每个网络流每个类一个。由于源和目标分布尽管相关但有些不同,因此我们将同一类的两个网络流的散射(类内散射)与我们的定制损失对齐到所需的程度,同时保持类间散射的良好分离。我们以端到端的方式对整个网络进行训练。我们提供了标准Office基准(视觉领域),RGB-D结合Caltech 256(深度到RGB转换)和Pascal VOC 2007结合TU Berlin数据集(图像到草图转换)的评估。我们取得了最先进的成果。
2017-04-11 cs.CV
Robust Online Aero-Engine Blade Defect Detection via Dual-Alignment Test-Time Adaptation
Hebei University of Technology(河北工业大学);Lappeenranta-Lahti University of Technology(拉彭兰塔-拉赫蒂理工大学)
提出基于测试时自适应的ABDD框架,通过双对齐策略和不确定性感知过滤,提升航空发动机叶片稀疏缺陷在域偏移下的检测鲁棒性。
2026-10-02 cs.CV
HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection
Sch Comp Sci \& Technol, Xi'an Jiaotong University Xi'an China;University of Cambridge Cambridge United Kingdom;Sch Comp Sci \& Technol, Xi'an Jiaotong University;University of Cambridge
HAAF通过层次适应与对齐框架,解决少样本病理异常检测中的粒度不匹配问题,提升模型在低资源场景下的性能。
2026-01-24 cs.CV
DPA: Dual Prototypes Alignment for Unsupervised Adaptation of Vision-Language Models
Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Alexandria University(亚历山大大学)
针对视觉-语言模型(如CLIP)在无监督领域适应中因伪标签噪声导致的性能受限问题,提出DPA方法,通过双原型对齐解决视觉文本表示错位,构建准确伪标签,在13个任务上显著优于基线。
2024-12-01 cs.CV
Domain Adaptation and Image Classification via Deep Conditional Adaptation Network
Guangdong Polytechnic Normal University(广东技术师范大学);Sun Yat-Sen University(中山大学);City University of Hong Kong(香港城市大学)
无监督领域自适应的目的是将在源域上训练的有监督模型推广到未标记的目标域。特征空间的边缘分布对齐被广泛用于减少源域和目标域之间的域差异。但是,它假设源域和目标域共享相同的标签分布,这限制了它们的应用范围。在本文中,我们考虑了一个更一般的应用场景,源和目标域的标签分布是不一样的。在这种情况下,基于边际分配的方法将容易受到负迁移的影响。为了解决这个问题,我们提出了一种新的无监督领域自适应方法,深度条件自适应网络(DCAN),基于特征空间的条件分布对齐。具体而言,通过最小化源域和目标域深度特征条件分布之间的条件最大均值离散度来减小域差异,通过最大化样本与预测标签之间的互信息来提取目标域的判别信息。此外,DCAN可用于解决一种特殊的场景,即部分无监督领域自适应,其中目标领域类别是源领域类别的子集。无监督领域自适应和部分无监督领域自适应的实验表明,DCAN取得了优于国家的最先进的方法的分类性能。
2022-05-03 cs.CV
SATA: Source Anchoring and Target Alignment Network for Continual Test Time Adaptation
IISER, Pune(浦那印度科学教育与研究学院);IISc, Bangalore(班加罗尔印度科学学院)
本文提出 SATA 框架,通过源锚定自蒸馏与源原型驱动对比对齐更新批归一化参数,在低延迟、少超参和少存储条件下实现持续测试时适应。
2023-04-20 cs.CV
Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment
University of Electronic Science and Technology of China(电子科技大学)
多媒体应用往往与跨领域知识转移有关,其中无监督领域自适应(UDA)可以用来减少领域转移。开集领域自适应(OSDA)的目的是在假设目标领域包含未知类的情况下,将知识从一个标记良好的源领域转移到一个未标记的目标领域。现有的OSDA方法一直强调协变量偏移,忽略了潜在的标签偏移问题。OSDA方法在域内类别不平衡和域间标签偏移的情况下性能急剧下降。然而,社会上对这一问题的关注却很少。研究了不平衡开集领域自适应(IOSDA)算法,其中协变量偏移、标签偏移和类别失配同时存在.为了减轻OSDA中标签偏移带来的负面影响,我们提出了开放集移动阈值估计和渐进对齐(OMEGA)-一种新的架构,改进了现有的OSDA方法类不平衡的数据。具体而言,提出了一种新的未知感知目标聚类方案,在目标域中形成紧密的簇,以减少标签偏移和域内类不平衡的负面影响。此外,移动阈值估计被设计为针对每个目标样本生成特定阈值,而不是针对所有目标样本使用一个阈值。在IOSDA、OSDA和OPDA基准测试上的大量实验表明,我们的方法可以显着优于现有的最先进的方法。代码和数据可在https://github.com/mendicant04/OMEGA上获得。
2023-03-09 cs.CV