![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CVPR 2022
文章平均质量分 89
CVPR 2022 论文笔记
小白。。。。。。。
这个作者很懒,什么都没留下…
展开
-
【无标题】
具体来说,在条件分布对齐后,利用源域标签分布和目标域标签分布,在训练阶段和推理阶段调整分类器的预测。源域的标签分布很容易就可以得到,作者通过模型的预测和源域像素级分布先验来估计目标域的标签分布。label shift:源域与目标域的标签分布不一致,比如一些类在源域中出现的很频繁,但是在目标域中出现的很少,这样就导致了分类器对于一些类的分类结果更加偏向于源域。首先要解决条件分布对齐的问题,在条件分布对齐的基础上,进行分类器纠正,分类器纠正需要得到目标域的标签分布,作者在3.4介绍了得到目标域标签分布的方法。原创 2023-01-26 14:30:34 · 268 阅读 · 0 评论 -
DAFormer: Improving Network Architectures and Training Strategies for Domain-Adaptive Semantic Segme
语义分割 迁移学习转载 2022-11-29 19:39:25 · 795 阅读 · 0 评论 -
SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation
语义分割 迁移学习 域适应原创 2022-12-01 10:38:09 · 1046 阅读 · 2 评论