TPAMI 2024 | 通过自我训练与对抗学习平衡实现领域自适应目标检测

于 2024-08-31 09:30:00 发布
阅读量2 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 目标检测 人工智能 深度学习 TPAMI 顶刊论文 论文解读 IEEE
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_42722197/article/details/141001900
版权
论文解读 IEEE TPAMI 专栏收录该内容
169 篇文章 11 订阅 ¥29.90 ¥99.00
订阅专栏

Domain Adaptive Object Detection via Balancing Between Self-Training and Adversarial Learning

通过自我训练与对抗学习平衡实现领域自适应目标检测

Muhammad Akhtar Munir , Muhammad Haris Khan , M. Saquib Sarfraz , and Mohsen Ali

摘要

基于深度学习的目标检测器在泛化到具有显著变化的目标和背景的新目标领域时存在困难。大多数当前方法通过使用图像或实例级别的对抗性特征对齐来对齐领域。这常常因为不想要的背景和缺乏类别特定的对齐而受苦。促进类别级别对齐的一个简单方法是使用未标记领域上的高置信度预测作为伪标签。这些预测通常是嘈杂的，因为模型在领域转移下校准不良。在本文中，我们提出利用模型的预测不确定性来在对抗性特征对齐和类别级别对齐之间找到正确的平衡。我们开发了一种技术来量化类别分配和边界框预测上的预测不确定性。使用低不确定性的模型预测生成自我训练的伪标签，而使用较高不确定性的预测生成用于对抗性特征对齐的瓦片。在模型适应期间，围绕不确定目标区域进行平铺和从高度确定的目标区域生成伪标签的这种协同作用，允许捕获图像和实例级别的上下文。我们报告了彻底的消融研

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 871
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
【荐读IEEE TPAMI】无监督去雨：非对称对比学习与自相似性相遇
小白学视觉
05-13 752
大多数现有的基于学习的去雨方法都是在合成的雨-清洁对上进行有监督训练的。合成雨与真实雨之间的领域差距使它们在复杂的真实雨场景中的泛化能力降低。此外，现有方法主要独立利用图像或雨层的属性，很少有方法考虑它们之间的相互排斥关系。为了解决这一困境，我们探索了每层内部的内在自相似性以及两层之间的相互排斥性，并提出了一种无监督的非局部对比学习（NLCL）去雨方法。非局部自相似性图像块作为正样本被紧密地拉在一起，而雨块作为负样本则被显著地推开，反之亦然。
TPAMI 2024 | 单目深度估计
小白学视觉
07-17 120
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达题目：Monocular Depth Estimation: A Thorough Review单目深度估计：全面综述作者：Vasileios Arampatzakis; George Pavlidis; Nikolaos Mitianoudis; Nikos Papamarkos摘要在计算机视觉领域，对二维图像中深度的估计是一...
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 1712
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。
[TPAMI 2022] 神经网络元学习：综述
sinat_38007523的博客
07-07 683
与使用固定学习算法从头开始解决任务的传统人工智能方法相反，元学习旨在根据多个学习片段的经验来改进学习算法本身。我们调查了元学习的有前景的应用和成功案例，例如小样本学习和强化学习。通常，元学习是对从任务族中采样的学习事件进行的，从而产生一种在从该族中采样的新任务上表现良好的基础学习算法。元学习已被证明在多任务场景中非常有用，在多任务场景中，从一系列任务中提取与任务无关的知识，并用于改进该系列中新任务的学习。元学习是提炼多个学习片段的经验（通常涵盖相关任务的分布）并利用这些经验来提高未来学习绩效的过程。
25篇最新CV领域综述性论文速递！涵盖15个方向：目标检测/图像处理/姿态估计/医学影像/人脸识别等方向...
深度学习技术前沿
04-09 948
目标检测1.综述：深度域适应目标检测标题：Deep Domain Adaptive Object Detection: a Survey作者：Wanyi Li, Peng Wang链接...
【读点论文】A Survey on Vision Transformer,2022年华为诺亚最新综述研究，从发展到任务，整体到局部。ViT有研究价值在于有很多问题还没有解决，真理是阶段性的产物
白水空空
03-20 787
transformer最早应用于自然语言处理领域，是一种主要基于自注意机制的深度神经网络。由于其强大的表示能力，研究人员正在寻找将transformer应用于计算机视觉任务的方法。在各种可视化基准测试中，基于transformer的模型的性能类似于或优于其他类型的网络，如卷积和循环神经网络。由于transformer具有较高的性能和较少的视觉特异性感应偏置（inductive bias）需求，越来越受到计算机视觉界的关注。在本文中，我们通过对这些视觉transformer模型在不同任务中的分类，并。
点云 3D 分割 - SqueezeSegV2（ICRA 2019）
77wpa的博客
12-31 1424
早期的工作证明了基于深度学习的点云分割方法的前景；然而，这些方法需要改进，以使其实用。为此，我们引入了一个新模型SquezeSegV2，它对LiDAR点云中的脱落噪声更为鲁棒。通过改进的模型结构、训练损失、批量标准化和额外的输入通道，SquezeSegV2在实际数据上训练时实现了显著的准确性提高。用于点云分割的训练模型需要大量标记的点云数据，这很难获得。为了避免收集和注释的成本，可以使用GTA-V等模拟器来创建无限量的标记合成数据。然而，由于领域转移，基于合成数据训练的模型通常不能很好地推广到现实世界。
【翻译】A comprehensive survey on deep active learning in medical image analysis
zomnlin的博客
07-27 341
深度学习下的医学图像配准综述
面部标志检测的对抗性攻击及样本自适应对抗训练方法（SAAT）的研究
11751通过对抗性攻击朱聪聪，李小强*，李继德，戴松民上海大学计算机...为了实现这一目标，我们提出了一种样本自适应对抗训练（SAAT）方法，以交互式优化攻击者和检测器，这提高了面部标志点检测作为对样本自适应黑箱
FoV视场的位置不变变换改进跨FoV域自适应
8761PIT：用于跨FoV域自适应的位置不变变换顾七七1*周倩玉1* 徐明浩1冯正阳1程广良25陆雪泉3†石建平27马丽庄146†1上海交通大学、2商汤科技集团研究3迪肯大学、4华东师范大学、5上海AI实验室6上海交通大学教育部...
多源域自适应和标签统一方法
8876mDALU：利用部分数据集的多源域自适应和标签统一龚瑞1、戴登新1、4、陈玉华1、李文3、吕克·范古尔1、21苏黎世联邦理工学院计算机视觉实验室，2鲁汶大学VISICS，3电子科技大学，4MPI forInformatics{gongr，dai...
Spark MLlib模型训练—分类算法Multinomial Logistic Regression
08-27 339
多项逻辑回归（Multinomial Logistic Regression）是对二项逻辑回归（Binary Logistic Regression）的扩展，适用于多分类问题。当目标变量不再是二分类（如 0 或 1），而是多于两个类别（如 A, B, C），多项逻辑回归便成为了适用的选择。与二项逻辑回归类似，多项逻辑回归基于线性模型，但其核心区别在于输出类别不再局限于两个，而是扩展至多个。，模型预测的标签为 0，对应的概率为 0.876，表明该样本属于类别 0 的可能性最大。使得训练数据的似然最大。
【python计算机视觉编程——1.基本的图像操作和处理】
热门推荐
m0_53694086的博客
08-26 1万+
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
关于人工智能（AI）的研究报告
weixin_44196785的博客
08-29 2244
未来，随着技术的不断创新和应用的不断拓展，人工智能将继续发挥重要作用，推动社会的进步和发展。然而，人工智能的发展也带来了一些挑战，需要我们在技术创新、应用拓展和社会治理等方面共同努力，以确保人工智能的发展符合人类的利益和价值观。就业结构的变化：人工智能的发展将导致就业结构的变化，一些传统的工作岗位将被自动化和智能化的设备所取代，同时也会创造出一些新的工作岗位。社会治理的挑战：人工智能的发展将对社会治理带来挑战，例如如何应对人工智能带来的安全风险、如何保障人工智能的公平性和可及性等。
【大模型理论篇】RoPE旋转位置编码底层数学原理分析
最新发布
源泉的小广场
08-30 1145
大模型、位置编码、Transformer、旋转位置编码、RoPE、Rotary Positional Encoding、数学原理、数学推导、旋转矩阵、相对位置、绝对位置、词元相似性、位置相关性
【自由能系列（初级）】【开篇论文】自由能原理在多个领域的统一视角
神经美学_茂森的博客
08-27 2668
自由能原理作为一个统一的理论框架，成功地将多个看似不相关的领域（如神经科学、物理学、经济学、信息论、控制论、认知科学和生物学进化）联系在一起。通过自由能原理，我们可以更深刻地理解不同系统如何在给定条件下实现最优行为或状态。#自由能原理 #跨领域统一框架 #优化逻辑 #参数调节 #贝叶斯大脑 #预测编码 #最优控制 #注意力机制 #自然选择 #机器学习。：自由能原理、跨领域统一框架、优化逻辑、参数调节、贝叶斯大脑、预测编码、最优控制、注意力机制、自然选择、机器学习。
未戴安全帽算法检测源码样本安防监控视频分析未戴安全帽检测算法应用场景
LntonCEC的博客
08-29 1024
通过高效的图像处理和实时反馈机制，这些算法不仅提高了安全帽佩戴的检测准确性，还实现了对工地的全覆盖监控。未来，随着技术的不断进步和优化，这些系统将在更多的工地和工业场景中得到广泛应用，为工人的安全保驾护航。同时，系统会记录所有的检测数据，为后续的安全管理和分析提供了宝贵的参考资料。未戴安全帽检测算法是一种基于计算机视觉和深度学习技术的智能分析算法，旨在通过分析图像或视频流，自动识别人员是否佩戴了安全帽，并在检测到未佩戴情况时采取相应的措施（如发出警报或记录事件）。1. 提高检测准确性。
IEEE TPAMI 用于缺陷检测的期刊
04-05
IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）是一个涵盖模式识别、计算机视觉、图像处理和机器学习等领域的高质量期刊，其中也包括用于缺陷检测的研究。 以下是一些在IEEE TPAMI期刊上发表的用于缺陷检测的论文： 1. "Automatic Defect Detection in X-Ray Images Using Convolutional Neural Networks"（使用卷积神经网络自动检测X射线图像中的缺陷）-- 该论文提出了一种基于卷积神经网络（CNN）的自动缺陷检测方法，该方法可以应用于各种类型的X射线图像中的缺陷检测。 2. "Unsupervised Defect Detection in Textured Materials Using Convolutional Autoencoders"（使用卷积自动编码器在纹理材料中进行无监督缺陷检测）-- 该论文提出了一种基于卷积自动编码器（CAE）的无监督缺陷检测方法，该方法可以有效地检测纹理材料中的缺陷。 3. "A Hierarchical Approach to Defect Detection in Semiconductor Wafer Images"（半导体晶圆图像缺陷检测的分层方法）-- 该论文提出了一种基于分层方法的缺陷检测方法，可以应用于半导体晶圆图像中的缺陷检测。 4. "Deep Learning-Based Defect Detection in Semiconductor Manufacturing"（基于深度学习的半导体制造中的缺陷检测）-- 该论文提出了一种基于深度学习的缺陷检测方法，可以应用于半导体制造中的缺陷检测，并且在实验中取得了良好的结果。 这些论文都展示了IEEE TPAMI作为一个重要的期刊，提供了广泛的研究和应用领域，包括缺陷检测。
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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