域适应目标检测：Strong-Weak论文笔记——Strong-Weak Distribution Alignment for Adaptive Object Detection

于 2023-06-24 17:35:56 发布
阅读量269 收藏
点赞数 1
分类专栏： 域适应目标检测论文以及源码笔记 文章标签： 计算机视觉 人工智能 论文阅读 域适应目标检测 目标检测
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_50001789/article/details/131364229
版权

域适应目标检测：Strong-Weak论文笔记——Strong-Weak Distribution Alignment for Adaptive Object Detection

综述

论文题目：《Strong-Weak Distribution Alignment for Adaptive Object Detection》

会议时间：IEEE Conference on Computer Vision and Pattern Recognition 2019 (CVPR, 2019)

论文地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Saito_Strong-Weak_Distribution_Alignment_for_Adaptive_Object_Detection_CVPR_2019_paper.pdf

源码地址：https://github.com/VisionLearningGroup/DA_Detection

针对领域：域适应目标检测

主要思想

  利用对抗性学习来调整源域数据分布和目标域数据分布是常用的域适应算法，通过将泛化误差限制在域间的差异内，可以很好地让模型适应输入图像领域的变化。传统的观点认为必须尽可能地减少域间差异，但执行无差别的对齐有可能会损害模型的检测性能。在目标检测中，对齐全局特征意味着不仅对象类别需要相似，

了解本专栏 订阅专栏 解锁全文
视觉萌新、
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
Rebuild_Strong-Weak-Distribution-Alignment-for-Adaptive-Object-Detection:这是纸的个人重建
03-18
自适应对象检测的Rebuild_Strong-Weak-Distribution-Alignment 这是个人论文的重建<用于自适应对象检测的强弱分布对齐>
（论文阅读）Strong-Weak Distribution Alignment for Adaptive Object Detection
RF~or的博客
10-08 752
问题：Deep convolutional neural networks have greatly improved object recognition accuracy,but remain reliant on large quantities of labeled training data.（深度卷积神经网络依赖大量标注的训练集） 目的：reduce annotation costs...
【CVPR 2019】Strong-Weak Distribution Alignment for Adaptive Object Detection
墨门
09-27 278
1 介绍 此文章是【CVPR 2019】的文章，主要讲述了Strong-Weak的DA方法； 2 原文链接 《Strong-Weak Distribution Alignment for Adaptive Object Detection》 3 论文译读 3.1 摘要 作者提出了一种用于目标检测的从label-rich到label-poor域的无监督自适应方法，该方法可以极大地降低检测任务中的标注成本。 ...
论文笔记：Strong-Weak Distribution Alignment for Adaptive Object Detection
weixin_41978493的博客
03-25 818
论文地址：https://arxiv.org/abs/1812.04798 源码地址：https://github.com/VisionLearningGroup/DA_Detection 1 Motivation 对于目标检测来説，在全局水平上完全地匹配完整的源域和目标域的数据分布，表现可能会不好，因为各域有多种的景观布局以及不同的目标组合。换句话说，局部特征上的强匹配，例如纹理、颜色等，可能会起作用，因为它不会改变概念层次的语义。这激发了作者基于强局部对齐及弱全局对齐提出新的方法。Key...
strong-soft-weak:各种Java参考的示例
05-02
使用“软”，“弱”和“幻影”引用的示例。 您可以在我的文章中阅读有关各种Java引用的信息：Java中的
weak-to-strong-generalization.pdf
最新发布
12-17
作者发现，即使使用弱模型生成的标签来微调强模型，强模型仍然可以表现出更好的性能，称为弱到强的一般化（weak-to-strong generalization）。这种现象表明，即使人类不能可靠地评估超人类模型的行为，也可以使用弱...
CRAFT-Remade:CRAFT文本检测的实现
05-28
重新实现CRAFT-字符区域感知以进行文本检测客观的 复制论文提到的弱监督培训 在所有流行的数据集上生成字符bbox。 使用命令行界面公开经过预训练的模型，以在自定义图像上合成结果克隆存储库 git clone ...
DAP Detection-Aware Pre-Training With Weak Supervision.pdf
11-19
这篇论文提出了一种名为“检测感知预训练”（Detection-Aware Pre-training，简称DAP）的方法，该方法利用仅带有弱标注的分类风格数据集（如ImageNet）进行预训练，但特别针对目标检测任务进行了优化。与广泛使用的...
CVPR2019 Strong-Weak Distribution Alignment for Adaptive Object Detection
yg_zhu的博客
01-12 725
Strong-Weak Distribution Alignment for Adaptive Object Detection Code: https://github.com/VisionLearningGroup/DA_Detection Introduction 对于目标检测任务而言，简单地对源域和目标域之间整张图的分布进行对齐往往并不是很有效，因为不同地图像包含有多种目标。然而对局部特征如纹理、颜色等进行对齐，这样不会改变类别层次的语义，往往很有效。 传统的方法是对利用对抗的方法来利用两个域之间的
Strong-Weak Distribution Alignment for Adaptive Object Detection笔记
u011630472的博客
09-09 739
Strong-Weak Distribution Alignment for Adaptive Object Detection
【论文速递】CVPR2019 - 用于自适应目标检测的强弱分布对齐
weixin_47525542的博客
02-10 232
【论文速递】CVPR2019 - 用于自适应目标检测的强弱分布对齐
strong weak distribution
weixin_30802273的博客
06-10 117
au 是distrubutions 转载于:https://www.cnblogs.com/china520/p/10999883.html
各种对象检测论文总结(Object Detection )
junmuzi的专栏
12-01 2万+
Original url: http://blog.csdn.net/u010167269/article/details/52563573 https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oc
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
热门推荐
maweifei的博客
04-01 3万+
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
论文阅读梗概
程序员养成日记
12-02 1492
REDUCING TRANSFORMER DEPTH ON DEMAND WITH STRUCTURED DROPOUT论文阅读 过参数化网络虽然在很多领域取得很好的效果，但是这些模型计算量大，容易出现过拟合。文章研究了结构化dropout方法layer dropout。它在训练期间具有正则化的效果，并允许在推理阶段进行高效的修剪。 结构化dropout是神经网络在预测时有更强的鲁棒性，文章将重点放在结构是层的设置上，以实现对任何所需深度的浅层和高效模型的修剪。在各种文本生成和预训练任务中，层dropout
Exploring Categorical Regularization for Domain Adaptive Object Detection
weixin_48629412的博客
10-14 1210
文章信息 论文地址 原文 代码 前言 目标检测是计算机视觉中的重要问题，要求同时获得图像中物体的类别信息和位置信息。随着深度学习技术的不断进步，基于深度学习的目标检测模型取得了很好的效果。但是，好的深度学习模型需要依赖大量 ...
CVPR 2020 | 旷视研究院提出优化领域自适应物体检测性能的类别正则化框架
旷视开发者技术社区
06-12 1878
IEEE 国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern Recognition) 大会...
【今日CS 视觉论文速览】Thu, 13 Dec 2018
TomRen
12-13 742
今日CS.CV计算机视觉论文速览 Thu, 13 Dec 2018 Totally 34 papers Daily Computer Vision Papers [1] Title: Adversarial Learning of Semantic Relevance in Text to Image Synthesis Authors:Miriam Cha, Youngjune L. G...
ker-ce.repo [SSL certificate problem: EE certificate key too weak]
06-06
这个错误是由于你的系统不信任该镜像源的 SSL 证书，可能是该证书使用的加密算法被视为不安全而被系统拒绝。你可以尝试使用以下方法解决该问题： 1. 更新系统的 CA 证书。你可以使用以下命令更新 CentOS 系统的 CA ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

视觉萌新、

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