域自适应——Bidirectional Learning for Domain Adaptation of Semantic Segmentation

最新推荐文章于 2024-08-17 21:13:15 发布
最新推荐文章于 2024-08-17 21:13:15 发布
阅读量2.1k 收藏 6
点赞数 4
分类专栏： 语义分割-自适应
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lixuegouzi/article/details/103038722
版权
本文提出一种用于语义分割的双向学习系统，结合图像翻译和分割适应模型，形成闭环学习。通过自监督学习算法在特征层面逐步调整目标域和源域，同时在图像翻译中引入感知损失，监督翻译过程。实验使用GTA5作为源数据集，Cityscapes作为目标数据集，采用CycleGAN进行图像翻译，DeepLab V2进行语义分割。
摘要由CSDN通过智能技术生成

**

论文题目：Bidirectional Learning for Domain Adaptation of Semantic Segmentation

**
本文的域位移是针对虚拟数据和真实数据之间的。
本文的贡献是：（1）提出了一种语义分割的双向学习系统，它是一个学习分割适应模型和图像翻译模型的闭环学习系统。（2）对于语义分割，提出了一种基于图像翻译结果的自监督学习算法，该算法在特征层次上逐步调整目标域和源域。（3）在图像到图像的翻译中引入了感知损失，通过更新分割自适应模型来监督图像翻译的过程。

方法

在这里插入图片描述

一 模型

1.双向学习

我们的学习过程如图1（b）。F是在没有成对的例子的情况下，学习将图像从S域转换成T域。T是在F（S）上训练的分割网络。S有标签，T没有标签。
（1）前向过程是用F翻译的结果图像分F（S）和T来训练M，F(S)的标签还是S的标签。M的LOSS函数为：
在这里插入图片描述

最低0.47元/天 解锁文章
是丸子呀_Yes
关注
专栏目录
Dual Path Learning for Domain Adaptation of Semantic Segmentation
odssodssey的博客
03-10 2844
Cheng Y, Wei F, Bao J, et al. Dual Path Learning for Domain Adaptation of Semantic Segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 9082-9091. 动机： 在此之前，自监督学习（ self-supervised learning，SSL）与风格迁移（image-to..
【域自适应】Dual Path Learning for Domain Adaptation of Semantic Segmentation
毛毛的博客
11-21 3634
文章目录前言摘要1.介绍2.相关工作3.方法4.结果4.1 KITTI上的BEV目标检测5.总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了什么结果？ 摘要 语义分割的域自适应能够减轻对大规模像素级标注的需求。近年来，结合图像到图像转换的自监督学习(SSL)在自适应分割中显示出很好的效果。最常见的做法是在进行图像转换的同时执行SSL，以很好地对齐单个域(源或目标)。然而，在这种单域范式中，由图像转换引起的不可避免的视觉不一致可能会影响后续的学习。基于在源域和目标域执行的域
语义分割/UDA-Bidirectional Learning for Domain Adaptation of Semantic Segmentation语义分割领域适应的双向学习
ssshyeong的博客
03-08 4525
在本文中，我们提出了一种新的双向学习框架，用于领域自适应分割。通过双向学习，图像翻译模型和分割适应模型可以交替学习并相互促进。此外，我们还提出了一种自监督学习算法来学习更好的分割适应模型，从而改进图像翻译模型。
域自适应，你适应了嘛？
m0_73938966的博客
08-17 1391
你想，源域分类可以分的很好，目标域又和源域的差异很小，这四舍五入，不就是目标域分类分的很好嘛。通常而言，源域的数据是大量的有标签的，目标域的数据是大量的无标签的，只有少部分有标签的。即优化绿色部分的特征提取器，来尽量让红色部分的判别器分不清特征是源域的还是目标域的。就说明在这个特征空间里源域和目标域是一致的，也可以理解为源域与目标域的差异很小。该方法损失函数由两部分组成：源域的分类交叉熵损失和源域与目标域的差异MMD。基于特征的自适应、基于实例的自适应、基于模型参数的自适应。利用已学知识解决新问题。
基于领域自适应的语义分割（Domain Adaptation-based Semantic Segmentation）
热门推荐
一亩高粱
10-20 1万+
AdaptSegNet
Bidirectional Learning for Domain Adaptation of Semantic Segmentation翻译
qq_41206605的博客
03-12 756
Bidirectional Learning for Domain Adaptation of Semantic Segmentation
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
ssshyeong的博客
11-28 5074
对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。
CVF2020邻域自适应/语义分割：FDA: Fourier Domain Adaptation for Semantic SegmentationFDA：用于语义分割的傅立叶域自适应算法
ssshyeong的博客
04-19 3866
我们提出了一个简单的领域对齐方法，它不需要任何学习，只需要一个简单的傅里叶变换及其逆变换，可以很容易地集成到一个学习系统中，将无监督领域适应转换为半监督学习。当集成到一个相对标准的语义分割模型中时，它在当前的基准测试中实现了最先进的性能。
UDA/语义分割:Feature Re-Representation and Reliable Pseudo Label Retraining for Cross-Domain Semantic
ssshyeong的博客
05-23 1407
提出了一种新的无监督领域自适应语义分割方法。为了从源域获取知识，我们首先学习一组基来描述源域的特征分布，然后将源域和目标域的特征重新表示为源基的加权和。此外，还引入了一个鉴别器，使得两个域特征在相同基下的重表示责任无法区分。然后，我们将特征重表示与原始的特定领域特征相结合，进行后续的像素级分类。为了进一步使重新表示的目标特征具有语义意义，提出了一种可靠的伪标签再训练（RPLR）策略，该策略利用多视点源图像训练网络的预测一致性，在未标记的目标图像上选择干净的伪标签进行重新训练。
【李宏毅2020 ML/DL】P86-87 More about Domain Adaptation
记录学习痕迹的公众号：Piper蛋窝
08-11 665
介绍了许多新技术，我认为是有启发性的，包括语义分割等等内容。
CVPR2022:Generalizable Cross-modality Medical Image Segmentation via StyleAugmentation and Dual Norm
ssshyeong的博客
09-12 3576
我们在本文中提出了一种新的双归一化模型，在我们的广义分割过程中利用增强的源相似图像和源不同图像。具体来说，在给定单个源域的情况下，为了模拟在不可见的目标域中可能出现的外观变化，我们首先利用非线性变换来增强源相似图像和源不同图像。然后，为了充分利用这两种类型的增强，我们提出的基于双归一化的模型使用一个共享的骨干但独立的批归一化层进行单独的归一化。然后，我们提出了一种基于样式的选择方案来自动选择测试阶段的合适路径。
Bidirectional Learning for Domain Adaptation of Semantic Segmentation详读
qq_35515179的博客
07-22 733
Bidirectional Learning for Domain Adaptation of Semantic Segmentation简介具体方法 简介 语义分割在深度网络的驱使下发展迅速，但是大规模的数据标注太过昂贵。虽然，近期的工作可以通过生成式网络使计算机生成带标注的比较逼真的图像，但是这种方式生成的图像存在域不匹配的问题，即计算机生成的图像（源域）和测试时使用的图像（目标域）之间的差异...
UDA/语义分割/ICCV2021:Dual Path Learning for Domain Adaptation of Semantic Segmentation语义分割领域自适应的双路径学习
ssshyeong的博客
10-13 1852
本文基于在源域和目标域中执行的域自适应框架在图像翻译和SSL方面几乎是互补的这一观察，我们提出了一种新的双路径学习（DPL）框架来缓解视觉不一致性。事实上，DPL包含两条互补的、交互的、分别在源域和目标域对齐的单域适配管道。DPL的推理非常简单，仅在目标域中使用一个分割模型。提出了双路径图像翻译和双路径自适应分割等新技术，使两条路径以交互方式相互促进。
论文阅读：Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision
qq_36224225的博客
07-06 1943
Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision 原文链接 ：点击下载 文章目录Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision摘要框架域间自适应阶段熵排序过程域内自适应阶段Experiments 通过自监督用于语义分割的无监督域内自适应 CVPR 2020.
Source-Free Domain Adaptation for Semantic Segmentation
CV_Gr_nD的博客
04-06 3510
目录摘要引言Knowledge Distillation(知识蒸馏） 摘要 该篇论文主要着手解决的问题是，由于一些场景中由于涉及隐私或商业用途而无法获得足够多的有标签图像，导致模型训练效果较差。而前人所给出的方法（如UDA）又大多依赖于足够多的有标记数据来适应这样一个转化的过程，而这又是一个非常消耗时间与人力的事情。因此作者团队采用SFDA方法，将过往复杂模型利用并转换到自己的模型中，只使用大量无标记数据，并且不依赖于大量Souce Model中的Data也可以自训练出较好的结果。 引言 如今，语义分割已经
语义分割：Bidirectional Learning for Domain Adaption of Semantic Segmentation论文解读
shY Pa
06-26 1835
Bidirectional Learning for Domain Adaption of Semantic Segmentation 基于双向学习的语义分割领域自适应----CVPR--2019-04-24 （Yunsheng Li is an intern at Microsoft Cloud& AI） 代码地址：https://github.com/liyunsheng13/BDL ...
域适应语义分割
zz2230633069的博客
04-07 1332
在语义分割中，输出空间在空间和局部上，包含丰富信息，比如源域和目标域在外观上可能非常不同，可是在分割结果上会具有很多相似性，如空间布局和局部上下文。如果在源域上训练得到的语义分割模型直接用在目标域上面，可以得到语义分割图，但是效果很差，发生域偏移，有很多噪点。那么为了消除噪点，解决域偏移问题，可以在输出空间做平滑，也就是让目标域的分割图趋向于源域的分割图，这样空间布局就能得到完善。 Learni...
论文笔记-Domain Adaptation for Semantic Segmentation with Maximum Squares Loss
kingsleyluoxin的博客
09-26 1116
论文信息 论文标题：Domain Adaptation for Semantic Segmentation with Maximum Squares Loss 论文作者：Minghao Chen, Hongyang Xue, Deng Cai 研究机构：浙江大学；阿里巴巴—浙江大学前沿技术联合研究中心 论文出处：ICCV 2019 引用信息： @inproceedings{DBLP:conf/iccv/0001XC19, author = {Minghao Chen and
TypeError: object of type 'Bidirectional' has no len()
最新发布
09-14
`TypeError: object of type 'Bidirectional' has no len()` 这个错误信息通常出现在Python编程语言中，意味着你尝试对一个自定义的`Bidirectional`类型的对象使用`len()`函数。`len()`函数被用来获取容器对象（如列表、元组、字符串、字典、集合等）的长度或元素个数。如果你的对象没有定义`__len__`方法，那么就会抛出这个错误。 要解决这个问题，你需要在`Bidirectional`类中定义`__len__`方法。这个方法应该返回对象的长度，即其内部元素的数量。一旦你定义了这个方法，`len()`函数就能正确返回这个类实例的长度了。 下面是一个简单的例子： ```python class Bidirectional: def __init__(self, elements): self.elements = elements # 假设elements是一个列表 def __len__(self): return len(self.elements) # 返回内部列表的长度 ``` 在这个例子中，`Bidirectional`类有一个`__len__`方法，它返回了内部元素`elements`列表的长度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值