域适应目标检测：Coarse-to-Fine论文笔记——Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation

最新推荐文章于 2024-06-13 22:53:07 发布
最新推荐文章于 2024-06-13 22:53:07 发布
阅读量242 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： 目标检测 论文阅读 计算机视觉 域适应目标检测 人工智能 域适应
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/131364453
版权

域适应目标检测：Coarse-to-Fine论文笔记——Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation

综述

论文题目：《Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation》

会议与时间：IEEE Conference on Computer Vision and Pattern Recognition 2020 (CVPR, 2020)

论文地址：https://openaccess.thecvf.com/content_CVPR_2020/papers/Zheng_Cross-domain_Object_Detection_through_Coarse-to-Fine_Feature_Adaptation_CVPR_2020_paper.pdf

针对领域：域适应目标检测

在网上没有找到公开的源码，但是找到了别人写的源码笔记(代码是向论文作者要的)，可以参考下：

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
  • 0
    评论
专栏目录
订阅专栏
Similar Spatial Trajectory Retrieval in a large Scale A Coarse-to-Fine Method using Map Reduce
02-11
Similar Spatial Trajectory Retrieval in a large Scale A Coarse-to-Fine Method using Map Reduce
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation-CVPR2020论文阅读
weixin_44340538的博客
07-27 493
域迁移论文阅读 Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation（CVPR2020） 两段对齐 粗粒度的ART对齐（注意力，对抗） 细粒度的PSA对齐（原型） 简介 在目标检测中，有很多不同类型的目标物，每种目标物都有它自己的分布，但是目前的方法都把不同物体的分布当作一个整体来进行域适应，留下了改进空间 前景类在不同域中有着更多的共同特征，所以用注意力来凸显前景类，也就是ART，ART一一种类别不可知的粗糙
【coarse-to-fine：基于频谱和空间损失约束】
weixin_43690932的博客
12-16 1311
仅供自己参考
TGRS2023/遥感/目标检测：CoF-Net: A Progressive Coarse-to-Fine Framework for Object Detection
ssshyeong的博客
02-13 1979
本文提出了一种新颖的由粗到精的遥感图像目标检测框架( CoF-Net )。CoF - Net主要由两个并行分支组成，即由粗到精的特征自适应( CoF-FA )和由粗到精的样本分配( CoF-SA )，分别旨在逐步增强特征表示和选择更强的训练样本。具体来说，CoF - FA将原始的粗特征平滑地细化为具有判别性空谱细节和语义关系的多光谱非局部精细特征。同时，CoF - SA通过在训练过程中逐步引入几何和分类约束进行样本分配，动态地从粗到细考虑样本。
目标检测算法种类及展望
zchang81的博客
06-28 5081
目标检测算法种类及展望
CVPR 2018 目标检测（Object Detection）
热门推荐
sunshine_010的博客
04-19 1万+
Cascade R-CNN: Delving into High Quality Object Detection In object detection, an intersection over union (IoU) threshold is required to define positives and negatives. An object detector, trained wi...
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation
weixin_48629412的博客
10-17 1413
文章信息 论文地址 原文 前言 由于domain shift的存在，在源域数据上表现很好的物体检测模型在目标域上的效果不尽人意。这种情况下，域自适应的方法开始和目标检测算法相结合，以提升目标检测算法的跨域性能，而两个领域方法的结合也是在不断优化和完善。 之前工作存在的不足 文章主要贡献 ...
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation-CVPR2020代码阅读
weixin_44340538的博客
07-29 363
继论文之后，开始读代码 本文主要集中于两个模块的代码 推荐先阅读论文，否则这篇文章理解起来可能有些困难 Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation-CVPR2020论文阅读 代码阅读 ART模块 在train.py中的train方法中调用了source_forward和target_forward，两个方法都有类似如下的代码： gt_pooled_feat, gt_labels, rois, cls_pr
Coarse-to-fine-matching
05-30
我们建议使用图像域的分层分解和从粗到细的区域选择来匹配。 与兴趣点匹配方法相比，对显着区域进行采样以降低比较两个图像中所有区域的成本，我们的方法系统地消除了区域以提高效率。 我们的方法的一个优点是它不...
OrganSegRSTN_PyTorch:PyTorch实施OrganSegRSTN-CVPR 2018
05-15
OrganSegRSTN_PyTorch：端到端的粗到细器官分割框架 这是一个重新实施的在PyTorch 0.4，Python的3.6 v1.2-2018年11月9日-倪天伟和谢凌曦 图片来源： 原始版本是启行，周瑜音和谢灵溪在CAFFE中实现的。...
Coarse-to-Fine Auto-encoder Networks.pdf
12-06
山世光教授seetaface 相关论文
Coarse-to-Fine Lung Segmentation in Computed Tomography Images
02-21
Coarse-to-Fine Lung Segmentation in Computed Tomography Images
论文阅读：H-ViT，一种用于医学图像配准的层级化ViT
最新发布
wwimhere的博客
06-13 890
来自CVPR的一篇文章，用CNN+Transformer混合模型做图像配准。可变形图像配准是一种在相同视场内比较或整合单模态或多模态视觉数据的技术，它旨在找到两幅图像之间的非线性映射关系。
【LLM之RAG】RAFT论文阅读笔记
<p>专注挖坑</p>
06-11 987
论文针对的主要问题是如何将预训练的大型语言模型（LLMs）适应特定领域的检索增强生成（RAG）。这些模型通常在广泛的文本数据上进行预训练，已经表现出在广义知识推理任务上的优越性能。然而，在特定领域，如法律、医学或最新新闻等，普遍的知识推理不足以满足精确性的要求，因此需要对这些模型进行适应性调整以增强其在这些领域内的应用性能。
Exploring Performance and Cost Optimization with ASIC-Based CXL Memory——论文阅读
重新开始写博客
06-11 826
针对CXL硬件的测试，测试不同软件在CXL硬件上的性能变化。本文在ASIC CXL 1.1存储器上进行评估，测试不同类型应用的性能表现。（1）CXL 1.1性能特征。带宽争用：延迟在中低带宽利用率下相对稳定，随着带宽接近高水平，延迟呈指数级增加，这主要是由于内存控制器中的排队延迟。与本地主存相比，ASIC CXL的访问延迟为2.5倍，实现了73.6%的PCIe带宽。（2）内存容量受限应用，如键值存储、大数据分析、弹性计算。CXL提供的额外内存容量可以改善受主存容量限制的应用程序。
论文阅读Rolling-Unet，卷积结合MLP的图像分割模型
wwimhere的博客
06-12 848
2）接着，在Rolling操作之后，R-MLP在每个空间位置索引 (hi,wj) 上执行带有权重共享的通道投影，以编码长距离依赖性。通道投影是指在特征矩阵的每个空间位置（即图像的每个像素位置）上，对所有通道的特征进行线性变换，以生成新的特征表示。通道投影的目的是将Rolling操作后的多通道特征进行整合和编码，以捕获长距离依赖性。在Rolling操作之后，每个空间位置的特征图可能会有不同的宽度或高度特征。
论文阅读KAN: Kolmogorov–Arnold Networks
wwimhere的博客
06-09 874
学习了最近大热的KAN网络。
论文阅读：Indoor Scene Layout Estimation from a Single Image
a486259的博客
06-10 1199
这是一篇比较早的论文，偶然发现。其亮点有二：1、将室内布局估计任务转换为语义分割任务，使用像素交叉熵+平滑边缘loss进行训练。2、构建布局退化模式，见2.3，实现了数据增强过程中的布局属性的变化. 该论文已经是6年前的，后续在该领域当有更优质的算法。实在不行，换个模型也有巨大的效果提升。 该论文主要是带来启发：1、语义分割模型还能这样子使用，作用于室内布局估计；2、任务转换的启发，将室内布局任务转换为语义分割，那室内布局任务也可以转换为关键点检测等任务；3、特定任务场景下的数据增强模式存在label的退
multi-scale
05-21
Multi-scale refers to the use of multiple scales or resolutions in data analysis, image processing, and machine learning. In the context of image processing, multi-scale techniques involve analyzing an image at different levels of detail or resolution, in order to capture both fine-grained and coarse-grained features. This can be useful for tasks such as image segmentation, object recognition, and feature extraction. In machine learning, multi-scale techniques can be used to improve the performance of models by incorporating information from multiple levels of abstraction. For example, in convolutional neural networks (CNNs), multi-scale architectures can be used to process images at different resolutions, allowing the model to capture both local and global features. Overall, multi-scale approaches are useful for tasks where the relevant information spans multiple scales or levels of detail, and can help to improve the accuracy and robustness of models.

“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
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