Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision

已于 2022-03-11 15:29:30 修改
阅读量690 收藏 1
点赞数
分类专栏： 论文笔记 文章标签： 迁移学习 人工智能 机器学习
于 2022-03-10 13:11:16 首次发布
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/odssodssey/article/details/123398717
版权
本文介绍了一种两步自监督领域自适应技术，用于在语义分割中减少源域到目标域以及目标域内部的差距。通过域间和域内适应，模型由域间生成器和鉴别器以及域内生成器和鉴别器组成，利用熵图和对抗学习进行无监督学习。实验显示，这种方法在交通场景的合成真实图像上表现优于现有自适应算法。
摘要由CSDN通过智能技术生成

这篇文章主要是基于对抗+熵图+目标域内自监督。 

Pan F, Shin I, Rameau F, et al. Unsupervised intra-domain adaptation for semantic segmentation through self-supervision[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 3764-3773

图1： 我们提出了一种两步自监督域自适应技术用于语义分割。以前的工作只是将分割模型从源域调整到目标域。我们的工作还考虑了目标域内从较为干净的预测图到带有较多噪声预测图的适应。


在本文中，我们提出了一种两步域自适应方法来最小化域间和域内的间隙。我们的模型由三部分组成，如图2所示，即：

在这里插入图片描述

图2：提出的自监督领域自适应模型

图二：该模型由三个部分组成，即(a)域间适应，(b)基于熵的排名系统，(c)域内适应。

提出的自监督域自适应模型包含域间生成器和鉴别器{Ginter, Dinter}，域内生成

最低0.47元/天 解锁文章
odss
关注
专栏目录
SS-SFDA-Self-Supervised-Source-Free-Domain-Adaptation-for-Road-Segmentation-in-Hazardous-Environme:论文“ SS SFDA”的代码库
04-12
title={SAfE: Self-Attention Based Unsupervised Road Safety Classification in Hazardous Environments}, author={Kothandaraman, Divya and Chandra, Rohan and Manocha, Dinesh}, journal={arXiv preprint ...
语义分割CVPR2020-Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision
ssshyeong的博客
01-02 2824
本研究中，我们提出了一种两步自监督域自适应方法来最小化域间和域内的差距。首先，我们对模型进行域间适应;从这个适应中，我们使用基于熵的排序函数将目标域分割成简单和困难的分割。最后，为了减小域内差距，我们提出了一种自监督自适应技术，由容易分割到难分割。在大量基准数据集上的实验结果突出了我们的方法相对于现有先进方法的有效性。
论文阅读：Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision
qq_36224225的博客
07-06 1934
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.
python用scrapy爬虫豆瓣_python爬虫框架scrapy 豆瓣实战
weixin_39745724的博客
12-22 420
Scrapy官方介绍是An open source and collaborative framework for extracting the data you need from websites.In a fast, simple, yet extensible way.意思就是一个开源和协作框架，用于以快速，简单，可扩展的方式从网站中提取所需的数据。环境准备本文项目使用环境及工具如下pyt...
VIIF：自监督：自适应：GAN
weixin_43690932的博客
12-10 934
仅供自己参考
Unsupervised-Domain-Adaptation-with-Differential-Treatment:[CVPR 2020]东西区别对待
05-04
东西的差异处理：语义分割的一种简单的无监督域自适应方法 该存储库适用于CVPR2020接受的以下论文中介绍的Stuff Instance Matching（SIM）框架 ，，， ，， ，和 介绍 在这项工作中，我们通过减轻源域（合成数据）和...
Asymmetric Co-Teaching for Unsupervised Cross-Domain
10-19
Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification 是一种旨在解决跨域人体重识别问题的方法。...
feat2vec:NAACL 论文代码“Unsupervised Multi-Domain Adaptation with Feature Embeddings”
06-07
特征嵌入 作者：易扬 联系方式： 基本说明 Python 代码 NAACL 2015 论文： ICLR 2015 论文：。 要求 安装 pip install --upgrade gensim 如果您想要此工具的更快版本，您可能还想 安装 pip 安装 cython ...
Unsupervised Multi-Source Domain Adaptation Without Access.pdf
11-20
在机器学习和深度学习领域，无监督领域适应（Unsupervised Domain Adaptation, UDA）是一种重要的技术，旨在通过从一个有标签的数据源领域转移知识来为一个无标签的目标领域学习预测模型。然而，大多数传统的UDA方法...
IntraDA:通过自我监督的语义监督的无监督域内自适应（CVPR 2020口头）
04-14
通过自我监督的语义监督的无监督域内自适应 CVPR 2020口头 纸 潘飞，尹信欣，弗朗索瓦·拉莫，李石柱，苏So 韩国KAIST IEEE 2020年计算机视觉与模式识别会议（CVPR）（口头） 如果您发现本文或代码对您的研究有用，请引用我们的文章： @InProceedings{pan2020unsupervised, title = {Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision}, author = {Pan, Fei and Shin, Inkyu and Rameau, Francois and Lee, Seokju and Kweon, In So}, booktitle = {IEEE Conference on Com
SSTDA:[CVPR 2020]具有联合自我监督的时间域自适应（PyTorch）的动作细分
03-21
具有联合自我监督的时域自适应的动作分段 这是我们论文的官方PyTorch实施： 具有联合自我监督的时域自适应的动作分段， ，， ，和 [ ] [ ] [ ] [ ] [ ] [ ] [] [] [ ] 尽管最近在完全监督的动作分割技术方面取得了进步，但是其性能仍不能完全令人满意。一个主要的挑战是时空变化的问题（例如，不同的人可能以各种方式进行相同的活动）。因此，我们利用未标记的视频来解决此问题，方法是将动作细分任务重新配置为跨域问题，该跨域问题是由时空变化引起的域差异。为了减少差异，我们提出了自我监督的时域自适应（SSTDA） ，其中包含两个自我监督的辅助任务（二进制和顺序域预测），以联合对齐嵌入本地和全局时域动态的跨域特征空间，从而实现更好的效果性能优于其他领域适应（DA）方法。在三个具有挑战性的基准数据集（GTEA，50份沙拉和早餐）上，SSTDA远远领先于当前的最新方法（例如F1
【论文笔记】Towards JPEG-resistant Image Forgery Detection and Localization via Self-supervised Domain Ada
weixin_45366180的博客
04-23 1620
虽然现有的图像伪造定位方法可以在多个公共数据集上取得较好的定位效果，但是在社交网络中常用的 JPEG 压缩方法中，大多数方法的定位效果较差。针对这一问题，本文提出了一种自监督域自适应网络，该网络由具有Siamese结构的骨干网络和压缩近似网络(ComNet)组成，用于抗 JPEG 图像伪造的检测和定位。为了提高对 JPEG 压缩的性能，ComNet 通过自监督学习来逼近 JPEG 压缩操作，生成具有一般 JPEG 压缩特性的 JPEG 代理图像。然后采用域自适应策略对骨干网络进行训练，定位篡改边界和区域。
《Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision》论文笔记
m_buddy的博客
10-11 1231
参考代码：IntraDA 1. 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
语义分割背景下UDA（无监督域自适应）的三个方向
odssodssey的博客
03-10 4578
语义分割背景下UDA（无监督域自适应）的三个方向： 1、基于对抗学习 实际上，AdaptSegNet就是经典的基于对抗学习的域适应方法。这一类的方法训练一个判别器来使得目标域的分布在像素空间或者特征空间上进行对齐（在像素空间上的对齐已经被证明对于语义分割任务而言优于特征空间），从而使得分割模型的性能能从源域泛化到目标域上。除了AdaptSeg之外，这一方向上的经典工作还有： 1、Fcns in the wild: Pixel-level adversarial and constraint-based
SAC:简单高效的域自适应语义分割自监督方法（CVPR2021语义分割）
CV计算机视觉
06-20 6010
今天和大家分享一篇发表在CVPR2021上的语义分割论文，面向域自适应语义分割领域。 论文下载地址：https://arxiv.org/abs/2105.00097 代码下载地址：https://github.com/visinf/da-sac 0.动机 无监督的域自适应（Unsupervised domain adaptation，UDA）解决无标签测试数据和带标签训练数据分布不一致问题。 在语义分割领域中，相比于手工或者半手工标注真实世界的标签，使用合成的数据集和标签有更低的成本。 近年来，多种用于解
ECCV 2022 | 石溪大学联合小鹏汽车提出先验知识指导的无监督领域自适应
TechBeat人工智能社区博客
09-30 736
一种新颖但现实的设置：先验知识指导的无监督域自适应（KUDA）
Unsupervised Domain Adaptation Through Self-Supervision论文阅读笔记
lwpyh的博客
10-10 1740
这篇文章是arxiv上的一篇domian adaptation的文章，觉得这里使用的方法和之前的方法完全不同，很有意思。所以整理了一下，和大家一起分享。 本文讨论了无监督域自适应，即源域上有标记的训练数据，但目标是在目标域上只有未标记数据，希望能够通过一些方法将源域上分类器迁移到目标域上，并能在目标域上有良好的性能。与之前的许多工作一样，我们试图在保持可辨别性的同时，对源域和目标域的学习表示进行对...
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 5049
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。
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
最新发布
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those ...
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