语义分割、域适应相关论文

最新推荐文章于 2023-10-11 11:31:19 发布
最新推荐文章于 2023-10-11 11:31:19 发布
阅读量1.7k 收藏 21
点赞数 4
分类专栏： semantic segmentation 文章标签： 深度学习 机器学习 计算机视觉
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/stdleohao/article/details/121687051
版权

文章目录

segmentation paper

1. Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation

  • 将小样本分割重新表述为语义重建的问题
  • 提出了anti-aliasing semantic reconstruction (ASR)
  • 将基类特征转成基向量，张成一个语义空间，即semantic span
  • 在训练期间，ASR利用语义空间，最大化基向量的正交性，最小化基类semantic aliasing ，帮助reconstruct新类
  • 在推理期间，ASR利用semantic filtering 抑制语义干扰，精确激活目标物体区域
  • 作者 | Binghao Liu, Yao Ding, Jianbin Jiao, Xiangyang Ji, Qixiang Ye
  • 单位 | 国科大；清华
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2106.00184
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/Bibkiller/ASR

2. Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization

3. Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation

最低0.47元/天 解锁文章
Stdleohao
关注
  • 4
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ProDA:用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021）
05-04
用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021，官方Pytorch实施） ，，，，，。 抽象的 自训练是域自适应分割中的一种竞争方法，该方法使用目标域上的伪标签训练网络。 但是，由于源域和目标域之间的差异，伪标签不可避免地会产生噪音，并且目标特征也会分散。 在本文中，我们依靠具有代表性的原型（类的特征质心）来解决无监督域自适应的两个问题。 尤其是，我们更进一步，利用距原型的特征距离，这些距离提供了比单纯的原型更丰富的信息。 具体来说，我们使用它来估计伪标签的可能性，以在训练过程中促进在线校正。 同时，我们基于相同目标的两个不同视图的相对特征距离对齐原型分配，从而产生更紧凑的目标特征空间。 此外，我们发现将已经学习的知识提炼为自我监督的预训练模型可以进一步提高性能。 与最先进的方法相比，我们的方法显示出巨大的性能优势。 安装 安装依赖项： pip install -
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 5838
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
域适应语义分割
zz2230633069的博客
04-07 1305
在语义分割中，输出空间在空间和局部上，包含丰富信息，比如源域和目标域在外观上可能非常不同，可是在分割结果上会具有很多相似性，如空间布局和局部上下文。如果在源域上训练得到的语义分割模型直接用在目标域上面，可以得到语义分割图，但是效果很差，发生域偏移，有很多噪点。那么为了消除噪点，解决域偏移问题，可以在输出空间做平滑，也就是让目标域的分割图趋向于源域的分割图，这样空间布局就能得到完善。 Learni...
[论文速读]：CVPR 2020 在傅里叶域自适应实现语义分割 Fourier Domain Adaptation
u014546828的博客
11-30 4073
FDA: Fourier Domain Adaptation for Semantic Segmentation [PAPER] [GITHUB] Abstract We describe a simple method for unsupervised domain adaptation, whereby the discrepancy between the source and target distributions is reduced by swapping the low-f.
CosMix环境配置 点云域自适应语义分割方法环境配置
Stone_hello的博客
09-07 1238
【代码】CosMix环境配置 点云域自适应语义分割方法环境配置。
ECCV 2020语义分割相关文章41篇
10-15
8. **域自适应语义分割**：与跨域相似，但更侧重于无监督或少监督情况下的域适应，即在源域有充分标注数据而在目标域没有或很少标注数据的情况下进行语义分割。 ECCV 2020上的这些研究不仅展示了语义分割领域的最新...
ECCV2020语义分割论文_神经网络_深度学习_语义分割_
10-03
这些论文共同展示了深度学习和神经网络在语义分割领域的最新进展，包括但不限于：图卷积网络的创新应用、跨域适应、注意力机制、上下文关系建模、模态融合以及内容一致性。它们都致力于提升模型的准确性、鲁棒性和...
FDA:用于语义分割的傅里叶域自适应
03-21
FDA：用于语义分割的傅里叶域自适应。这是2020年CVPR发布的论文的Pytorch实施。使用傅里叶变换，可以通过样式转换轻松调整域。 FDA不需要深入的网络来进行样式转换，也不需要任何对抗培训。下面是建议的傅里叶域...
MaxSquareLoss:PyTorch中“用于最大分割损失的语义分割的域自适应”的代码
05-04
具有最大平方损失的语义分割域自适应 陈明豪，薛宏阳，蔡登。 介绍 ICCV 2019论文PyTorch实施。 细分模型基于带有ResNet-101主干网的Deeplabv2。 本文介绍的“ MaxSquare + IW + Multi”在三个UDA数据集（GTA5，...
matlab改变代码颜色-MGCDA:夜间语义分割的域自适应
05-26
这是用于夜间语义分割的MGCDA方法的源代码。 MGCDA ：| | | | MGCDA在我们的IEEE TPAMI 2020论文中介绍，而其原始版本GCMA在我们的IEEE TPAMI 2020中介绍。 对于使用UIoU指标进行不确定性语义分割评估的源代码，可以...
论文域适应语义分割：Learning to Adapt Structured Output Space for Semantic Segmentation
weixin_43673376的博客
08-19 1471
1、Learning to Adapt Structured Output Space for Semantic Segmentation 目的：结构输出自适应思想，多层对抗网络学习，了解带标注合成图像，如何在合成图像上训练，然后自适应到真实场景上。 摘要：有监督的基于卷积神经网络语义分割方法需要依赖像素级的GT，对于未见过的图像泛化能力差（这体现在源域和目标域之间图像差异较大），此外，图像标注过程也是繁琐费力的事情，因此，需要找到域自适应的方法，将源域的label自适应到目标域中。本文基于语义分割，提出对
代码学习-CVPR2020非监督域内自适应语义分割：Intra-ADVENT
ssshyeong的博客
01-05 1291
语义分割论文CVPR2020《Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision：基于自监督的非监督域内自适应语义分割》开源代码自学笔记，包括CVPR2019 ADVENT方法开源代码
跨域自适应语义分割新技术
whaosoft143ai的博客
09-25 2003
通过CKD可以得到优于所有教师模型的学生模型，这个学生模型的权重会用来初始化下一个阶段的DPDB的模型，达到交替训练的目的。从上图可以发现，region level的 DB方法训练出的模型更关注目标的上下文信息而损害一些特征的可判别性（正确分割出火车类但特征分布比较松散），class level的DB方法训练出的模型则更倾向于挖掘目标自身的特性而忽略了目标的上下文信息（有更紧凑的特征分布但完全混淆了火车和公交车）。这种互补的特性引起了我们的兴趣以及进一步的探究。
基于域自适应语义分割学习小结
qinaoping的博客
07-29 3694
一个场景下的数据集训练的语义分割模型，并不能很好的适应另一个场景的数据，所以需要对场景进行迁移，从而实现模型对多场景下的数据的良好分割。最开始对这方面的研究，是为了将游戏场景生成的数据训练的模型能很好地迁移到现实场景。语义分割是在像素级别进行分类，不适合运用特征自适应。高维特征很复杂，不适合用来进行适配。文献一是对语义分割的输出进行适配，语义分割的输出是低维空间上的，包含了丰富的上下文和布局等信息。 文献一：Learning to Adapt Structured Output Space for Sema
DACS: Domain Adaptation via Cross-domain Mixed Sampling 学习笔记
passer__的博客
02-22 1848
近年来，基于卷积神经网络的语义分割模型在众多应用中表现出了显著的性能。然而当应用于新的领域时，这些模型通常不能很好地泛化，特别是从合成数据到真实数据时。本文讨论了无监督域适应(UDA)的问题，即对来自一个源域的标记数据进行训练，同时从目标域的无标记数据进行学习。现有的方法通过对这些无标签图像进行伪标签训练取得了成功。人们提出了多种技术来降低由域转移引起的低质量伪标签的情况，并取得了不同程度的成功。我们提出了DACS:通过跨域混合采样的域适应，它将来自两个域的图像与相应的标签和伪标签混合在一起。
Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation
stdleohao的博客
09-01 509
Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation Abstract 现状 经过充分训练数据的特征学习，用少量样本去表示新类，少样本的语义分割取得了令人鼓舞的进展 问题 特征共享机制，不可避免的在具有相似语义组成理论的新类之间造成语义混淆 创新 本文里，我们提出了将少样本的分割问题视为语义重建问题，将基本类的特征转化成一系列的基本向量，并张成类级别的语义空间，用于新类重建 方法 引入对比损失，最大化向
【论文合集】Awesome Segmentation Domain Adaptation
m0_61899108的博客
04-18 536
近些年，图像分割领域适应相关论文。
Self-supervised Augmentation Consistency for Adapting Semantic Segmentation
stdleohao的博客
10-09 1059
Self-supervised Augmentation Consistency for Adapting Semantic Segmentation Abstract 目的 pratical and highly accurate；实用并且高精度 之前的方法 adversarial objectives, networkensembles style transfer 我们的方法 标准的数据增强 – photometric noise, flipping and scaling 并且确保在这些图
HyperSeg: 基于块的超网络实时语义分割——HyperSeg:Patch-wise Hypernetwork for Real-time Semantic Segmentation
最新发布
ADICDFHL的博客
10-11 743
我们提出将自编码器与超网络结合起来，用于语义分割任务。在我们的方案中，超网络由三个网络组成：语义分割编码器的骨干网络b，一个内部U-Net形式的上下文头h和多个权重映射头wi。解码器是一个多块解码器，其中每个块di实现局部连接层。结果是一种新型的U-Net，能够动态地、局部地适应输入，因此有潜力更好地定制分割过程以适应输入图像。正如我们的实验所显示的，我们的方法在这个非常具有竞争力的领域中，通过多个基准测试，优于SotA方法。

“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
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