![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
DA(Domain Adaptation)
文章平均质量分 93
Domain Adaptation
m_buddy
大表哥,还有大招吗... PS:本人所有文章均免费公开,任何收费条目请咨询平台
展开
-
《SCDA:Adapting Object Detectors via Selective Cross-Domain Alignment》论文笔记
参考代码:SCDA1. 概述导读:在之前的Domain Adaption文章中主要是针对分类/分割场景任务,对于检测场景下的挖掘不够,这是由于分类/分割场景关注的是整个特征图范围上的表现,而检测却是具有局部性的,因而直接将分类/分割的域迁移方法引入是不合时宜的。对此文章按照监测网络的特性设计了一个检测网络下的domain adaption方案。首先寻找到特定的区域(也就是文中“where to look”,region mining的过程),得到这些区域之后便是对这些区域使用region align的原创 2021-02-16 14:54:41 · 564 阅读 · 0 评论 -
《Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision》论文笔记
参考代码:IntraDA1. 概述导读:在分割分割模型的训练往往需要较多的人工标注数据,但是获取这些标注的成本是较为昂贵的,一种较为廉价的方式就是使用图形生成器去生成虚拟的训练数据,之后通过DA(Domain Adapting)的方式进行域迁移,从而使得在真实数据上的效果得到提升。但是这种生成(仿真)数据与真实数据(包含了运用/光照/天气/阴影等多种因素影响)之间是存在domain gap的,之前的一些工作着力于缩小仿真数据与真实数据集的差异(也就是文章说的inter-domain),但是却很少考虑到原创 2020-10-11 22:47:12 · 1200 阅读 · 7 评论 -
《AdaptSegNet:Learning to Adapt Structured Output Space for Semantic Segmentation》论文笔记
参考代码:AdaptSegNet1. 概述导读:这篇文章着力于解决模型未见过数据的适应性,一般来讲模型对于与训练集中数据类似的数据表现较好,但是对于未知场景的数据就表现较差了,这也是domain-adaptation需要解决的问题。这篇文章在分割任务下进行了研究,提出在output space(分割softmax输出)上使用GAN网络去拟合两种数据(合成数据与真实数据)分布,此外还提出使用多层GAN监督的形式优化特征的分布。之前的一些domain adaptation的工作是在feature层次上原创 2020-10-13 23:26:08 · 1377 阅读 · 0 评论 -
《ADVENT:Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation》论文笔记
参考代码:ADVENT1. 概述导读:由于在训练场景和测试场景存在偏差(domain-shift),因而就会使得训练场景(source域)下的精度在测试场景(target域)下下降的问题。这篇文章针对分割场景下的domain adaptation问题提出在像素预测结果上使用基于熵的损失,既是文章为domain adaptation提出两种损失:entropy loss和GAN的对抗损失,从而降低文章提出的target图像的熵值。从source域到target域的切换会存在性能的损失,那么这个损失的原创 2020-10-24 18:53:54 · 1356 阅读 · 2 评论