2023-CVPR-Semi-Supervised Domain Adaptation with Source Label Adaptation

最新推荐文章于 2024-08-27 23:07:02 发布
最新推荐文章于 2024-08-27 23:07:02 发布
阅读量240 收藏
点赞数 1
文章标签： 计算机视觉 人工智能 机器学习
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/qq_37246721/article/details/136191413
版权

一、研究背景
半监督域自适应定义：少量有标签目标域数据，大量无标签目标域数据。
半监督域自适应方法：利用特征空间映射、伪标签分配，将目标域向源域对齐。

二、研究目标
纠正有噪声的源域标签。

三、研究动机
以源域为参照的方法会将目标域数据对齐到错误的源域类别。

四、技术路线
提出源自适应范式，将源域数据视为目标数据的噪声版本，令源域数据去适应目标数据。
提出了一个SSDA模型，从目标角度设计的标签净化组件，动态地清理标签噪声。
在这里插入图片描述

  • 对原始源域标签进行修正
    在这里插入图片描述
  • 用修正标签进行损失计算
    在这里插入图片描述
二苏旧局吖
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
最优传输论文（三十四）：Domain Adaptation With Auxiliary Target Domain-Oriented Classifier论文原理
lyy的博客
09-13 768
文章目录前言摘要1. Introduction 前言 文章来自2021年的CVPR。 本文是本人领域自适应与最优传输系列论文的第34篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~ 摘要 领域适应（DA）的目标是将知识从标签丰富但异构的领域转移到标签稀缺的领域，从而减轻标记工作并引起广泛关注。与以往侧重于学习领域不变特征表示的方法不同，最近的一些方法提出了通用半监督学习
【域适应九】2023 CVPR - Semi-Supervised Domain Adaptation with Source Label Adaptation
m0_60231311的博客
10-10 694
半监督域自适应（SSDA）涉及学习将看不见的目标数据与一些标记和大量未标记的目标数据以及来自相关域的许多标记源数据进行分类。当前的SSDA方法通常旨在通过特征空间映射和伪标签分配将目标数据与标记的源数据对齐。然而，这种面向源的模型有时会将目标数据与错误类的源数据对齐，从而降低分类性能。本文提出了一种新的源自适应范式，该范式调整源数据以匹配目标数据。关键思想是将源数据视为理想目标数据的噪声标记版本。然后，本文提出了一个SSDA模型，该模型借助于从目标角度设计的强大的清洁器组件来动态地清除标签噪声。
【论文笔记】Semi-supervised Domain Adaptation via Minimax Entropy(ICCV 2019)
weixin_42126945的博客
04-14 4185
论文：https://arxiv.org/abs/1904.06487v5 代码：http://cs-people.bu.edu/keisaito/research/MME.html 1.介绍 2.方法 实验设定：有标签源域图像Ds，有标签目标域图像Dt，无标签目标域图像Du，在Ds、Dt、Du上训练，在Du上评估测试。 2.1 基于相似度的网络架构 特征提取器F输出的特征，先经过L2norm，然后用一个线性层W，再用温度法乘以1/T进行归一化，然后再传到softmax。这里认为现行层的参数W可以用作为每一
论文笔记：Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation
msy1412的博客
03-18 1574
Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation 最近在看CVPR2021的Domain Adaptation的论文 概括 本文利用一个带标签的源数据集与一个含少量标签的目标数据集，训练一个基于区域尺度混合数据的“老师”模型和一个基于样本尺度混合数据的“老师”模型，然后共同指导训练一个“学生”模型，由“学生”输出未含标签图片的“虚假”标签，生成的结果再加到训练集中训练。
笔记：Semi-supervised domain adaptation with subspace learning for visual recognition (cvpr15)
easylifer的专栏
05-08 3222
本文基于子空间学习提出了一种半监督的域自适应框架（SDASL）。
【域适应十三】2023-CVPR Patch-Mix Transformer for Unsupervised Domain Adaptation: A GamePerspective
m0_60231311的博客
11-20 605
最近，很多工作致力于利用视觉转换器(ViT)来完成具有挑战性的无监督域适应(UDA)任务。它们通常采用ViT中的Cross Attention进行直接的域对齐（CDTrans）。然而，由于Cross Attention的性能高度依赖于目标样本的伪标签质量，当域间隙较大时，域对齐的效果就会降低。
cross-domain-detection:通过渐进域自适应进行跨域弱监督对象检测[Inoue +，CVPR2018]
05-26
这页是针对出现在CVPR2018。 您也可以找到该论文的。 这是我们的水彩图像结果示例。 要求 Python 3.5+ Chainer 3.0+ ChainerCV 0.8 杯状2.0+ OpenCV 3+ Matplotlib 请安装所有库。 我们建议使用pip install -...
计算机视觉 第二章局部图像描述子
qq_53034510的博客
08-27 722
描述子匹配的核心思想是找到两个图像之间相似的特征点，并用相应的描述子进行匹配。它可以有效地检测和描述图像中的局部特征，具有对图像缩放、旋转和光照变化的较强不变性。从百度地图下载地理标记图像的过程涉及 API 的使用，但百度地图的 API 并不直接支持下载图像。SIFT描述子在每个像素点附近选取子区域网格，在每个子区域内计算图像梯度方向直方图，每个子区域的直方图拼接起来组成描述子向量。以下是一个基本的示例，展示如何使用 Python 和百度地图 API 查找某个地点的位置信息，并下载该地点的静态地图图像。
什么是计算机视觉？
2401_86434460的博客
08-27 645
具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。计算机视觉技术经过几十年的发展，已经在交通（车牌识别、道路违章抓拍）、安防（人脸闸机、小区监控）、金融（刷脸支付、柜台的自动票据识别）、医疗（医疗影像诊断）、工业生产（产品缺陷自动检测）等多个领域应用，影响或正在改变人们的日常生活和工业生产方式。未来，随着技术的不断演进，必将涌现出更多的产品和应用，为我们的生活创造更大的便利和更广阔的机会。
计算机视觉 第三章图像到图像的映射
qq_53034510的博客
08-27 1079
给定任意图像的标记 点，通过将这些点进行三角剖分，然后使用仿射扭曲来扭曲每个三角形，我们可以 将图像和另一幅图像的对应标记点扭曲对应。图像扭曲指的是通过几何变换（如旋转、缩放、平移）或非线性变换对图像进行修改，从而改变图像的形状或结构的过程。现在让我们将该算法应用于一个例子，在该例子中，在5×6的网格上使用30个控 制点，将一幅图像扭曲到另一幅图像中的非平坦区域。需要注意，标记物的坐标tp是用齐次 坐标意义下的坐标表示的，改变了tp的坐标值，那么原始图像2在原始图像1中的位置也不同。上述代码运行结果如下。
图像数据处理22
2301_80400361的博客
08-23 1812
五、边缘检测该技术主要用于检测图像中的基本形状，如直线、圆、椭圆等。
目标检测：从主干网络到检测头的全面剖析
Chauvin的博客
08-26 958
目标检测作为计算机视觉领域的一个重要研究方向，旨在从图像或视频中自动识别并定位出感兴趣的目标。近年来，随着深度学习技术的飞速发展，基于卷积神经网络（CNN）的目标检测模型取得了显著进展，广泛应用于智能座舱、自动驾驶、智能监控、机器人视觉等场景中。然而，在这些应用中，模型的实时性和检测精度之间常常存在权衡问题。本文将深入剖析标准目标检测模型的主要组成部分，包括主干网络、颈部网络和检测头，并探讨它们在模型中的关键作用及发展趋势。
【目标检测】YOLOV3
qq_1532145264的博客
08-27 487
YOLOv3: An Incremental Improvement
python-opencv读写图像中文路径的问题
最新发布
保持分享欲
08-27 325
在使用python的opencv库处理图像时，通常使用cv2.imread()函数读取图像，然而如果图像路径包含中文，则会读取失败。对此，需要作以下修改，即可读取中文路径的图像。
目标检测之困难目标检测任务综述
DeepAIedu的博客
08-27 1175
在困难目标检测领域，常用的评估数据集包括COCO和PASCAL VOC等，这些数据集不仅提供了丰富的训练和测试样本，还特别支持对小目标、遮挡目标、模糊目标等困难目标的检测评估。数据增强增加了模型的鲁棒性，模型架构改进提高了模型的表达能力和泛化能力，先进的后处理技术优化了最终的检测结果，特征融合增强了模型对不同大小和形状目标的识别能力，上下文建模帮助模型更好地理解目标所在的场景，多模态信息融合提供了更多的线索，帮助模型更好地识别目标。这导致了特征信息的缺失，使得传统的特征提取方法难以有效地捕捉到足够的细节。
【机器学习】CNN在计算机视觉中的应用
loveting99的博客
08-27 868
随着计算能力的提升和数据的丰富，CNN在计算机视觉中的应用将继续拓展。未来，融合多模态数据、提升模型鲁棒性与解释性将成为CNN发展的重要方向。在本文中，我们从基础概念出发，探讨了CNN在计算机视觉中的经典应用，并通过代码示例加深了对其工作原理的理解。希望这些内容能为从事人工智能与计算机视觉研究的学者和工程师提供有价值的参考。
垃圾分类目标检测检测系统源码分享 # [一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
m0_73650382的博客
08-26 951
垃圾分类目标检测检测系统源码分享 # [一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
【YOLO系列】YOLO介绍
qq_51366016的博客
08-27 355
YOLO，全称为"You Only Look Once"，是一种流行的实时目标检测算法，由Joseph Redmon等人于2015年首次提出。YOLO的核心思想是将目标检测任务视为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。
RCNN-CVPR14:深度理解与PASCAL VOC竞赛成果
"RCNN-CVPR14-slides 是一份关于区域卷积神经网络（Region Convolutional Neural Networks, RCNN）的英文PPT，该主题由 Ross Girshick、Jeff Donahue、Trevor Darrell 和 Jitendra Malik 等专家共同贡献。...
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

打赏作者

二苏旧局吖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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