语义分割:从像素级别来理解图像的。将标签或类别与图片的每个像素关联的一种深度学习算法。它用来识别构成可区分类别的像素集合。例如,自动驾驶汽车需要识别车辆、行人、交通信号、人行道和其他道路特征。
有些类似ps抠图
无监督学习:直接对数据进行建模。没有给定事先标记过的训练范例,所用的数据没有属性或标签这一概念。事先不知道输入数据对应的输出结果是什么。
原文:从标记的源域和未标记的目标域学习域不变/对齐特征来解决域不匹配问题。
领域泛化:它在训练中不需要目标领域数据就可以学习领域不变特征。
原文: 一种创新的频率空间域随机化(FSDR)技术:将图像转换为频率空间,并通过识别和随机化域可变频率分量(DVF)来执行域泛化,同时保持域不变频率分量(DIF)不变。
创新点与贡献:
1.文章提出了一种创新的频率空间域随机化技术,将图像转换为频率空间,并在保持DIF不变的情况下仅通过改变DVF实现域随机化。
2.在频率空间设计了两种随机化方法,分别通过经验实验和动态学习有效地识别DVF和DIF。
3.在多领域泛化任务上的大量实验表明实现了优越的语义分割。
频率-空间域随机化(FSDR)技术,包括三个主要部分:静态识别DIF和DVF的频谱分析、FSDR中研究DIF和DVF如何进行域随机化的频谱分析,以及显示域随机化可以通过频谱学习实现的频谱学习。