weixin_43673376-CSDN博客

原创 Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se

1）算法简介DMLC (Domain-aware Meta-learning strategy is devised to benefit Loss Correction )引入NTM（noise transition matrix ）矩阵，用domain-invariant source data构造meta data，去guide NTM的估计。发表在CVPR2021，应该是目前UDA语义分割最好结果，GT5–>CitySpcace (51.2/52.1).2）问题现状为了缩小domain

2021-03-14 15:24:39 1426 2

原创 Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation(ECCV2020）

文章目录Motivation思路Motivation 但从题目就知道：类别很重要，细粒度的对抗预适应分割方法。还是讲一个问题，大部分对抗方法是从整体去对齐，并没有考虑class-level的特征对齐，对于语义分割来说，class-level的结构很重要。第二，传统的对抗性方法只追求最大化边缘分布对齐，而忽略了域间语义结构的不一致性（并没有去关注类与类之间结构究竟怎么样，讲白了，就是说每个类别的条件分布也应该对齐）。出发点自然是怎样.

2020-12-07 21:23:43 1179

原创 2018Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training

文章目录一、简单介绍一、简单介绍我先说自己找这篇文章的目的：Self-Training的方法看过很多，想从类别平衡这个角度上去找找思路，看完摘要，有几个地方先记录下：啥叫隐变量损失最小化，另外大的类别（比如road，占图像比例较多），它的伪标签生成占优势，为了类别平衡，引入空间先验来优化生成的标签。Self-Training通常是：sourece 数据训练模型—>生成target数据的伪标签，然后和源域有label的数据一起重新训练模型，这

2020-11-24 20:30:01 1330 1

原创 Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation

Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic SegmentationNeurIPS 2020Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation摘要一、What's new二、Technoloy1.引入库三、Conclution摘要

2020-11-20 13:59:55 685

原创域适应系列3：Minimal-entropy Correlation Alignment for Unsupervised Deep Domain Adaptation（ICLR 2018）

1、Minimal-entropy Correlation Alignment for Unsupervised Deep Domain Adaptation（ICLR 2018）在介绍文章之前，先理解下CORAL[1]（CORrelation ALignment ）这个概念，这个概念来自 Return of Frustratingly Easy Domain Adaptation. AAAI 2016这篇文章，个人是超喜欢这篇文章，忍不住把它摘要附上，算

2020-09-23 21:33:22 1342

原创域适应系列2：Transferable Curriculum for Weakly-Supervised Domain Adaptation（AAAI 2019）

1、Transferable Curriculum for Weakly-Supervised Domain Adaptation 论文提出可迁移的课程学习（结合课程学习+对抗学习）方法，解决弱监督域适应中源域样本噪声以及domain shift 的问题。这篇文章是从数据角度出发，是弱监督的域适应方法。实际的域适应任务，源域的数据不太可能都是高质量的，也就说真正做域适应任务时，收集的数据肯定是有

2020-09-22 22:42:46 800

原创域适应方法系列1：Asymmetric Tri-training for Unsupervised Domain Adaptation

1、Asymmetric Tri-training for Unsupervised Domain Adaptation–非对抗方法研究域适应，都希望能够学到域不变的特征，也就是说，假如现在是分类的任务，希望学习到分类器在不同的域都能够表现良好。实际情况是，这是很难的事情，因为不同域的具有不同的分布，具有各自具体域的特性。关于这方面的解决方法很多，看下本文Asymmetric Tri-training的方法吧，即用不对称的三个网络，其中两个网络用来生

2020-09-22 21:48:25 955

原创域自适应学习分割：ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation

1、ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation目的：这篇文章和前几篇一样的思想，都是用对抗学习的思想来做域自适应学习分割，一个系列的文章，前面几篇可以当做了解，这篇着重学习代码，以及熵最小化这种思想。从网络，训练过程多方面学习，尤其把网络训练起来。Adversarial Learning for Semi-Supervised Semantic SegmentationL

2020-08-19 17:22:55 2446

原创论文域适应语义分割：Learning to Adapt Structured Output Space for Semantic Segmentation

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

2020-08-19 10:38:24 1548 1

原创论文：Adversarial Learning for Semi-Supervised Semantic Segmentation

1、Adversarial Learning for Semi-Supervised Semantic Segmentation目的：学习对抗训练是如何做语义分割，思想，做法，结论，和后续用这种思想的方法做对比1）先整体看下文章做了什么工作？对抗的学习框架提高语义分割精度，在推理过程中，并不需要判别器，所以不会增加额外的计算。半监督的方法，在训练时用了无标注的图像。2）整个过程是怎么做的？

2020-08-16 17:35:37 1382

原创论文：Baby Steps Towards Few-Shot Learning with Multiple Semantics

1、Baby Steps Towards Few-Shot Learning with Multiple Semantics目的：记录下对文章的理解摘要：额外的语义信息可以显著提高少样本学习的能力，论文在少样本学习中结合了多种丰富的语义，这里语义信息包括类别标签、属性和自然语言描述等信息。论文在miniImageNet 和CUB few-shot benchmark做了丰富实验。下面几个问题可以理解讨论下：1、直观对语义信息的理解以婴儿的物体识别

2020-08-14 23:53:55 468

原创语义分割论文翻译：Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network

1、Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network摘要：小的卷积核堆叠比用一个大的卷积核计算更加高效。在语义分割领域，需要执行每个像素的预测分类，更大的卷积核（感受野更大），对于分类和定位任务来说，作用更大。所以提出GCN来解决语义分割的分类和定位的问题。文中还提出一个基于残差的边界细化模块。但从摘要可以看出主要有方面工作：用了更大感受野的信息，还有就是后处理（边界refine）。

2020-08-11 23:03:38 465

原创少样本语义分割---CANet

论文：CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning（2019年CVPR）论文要解决的问题：利用小样本训练一个比较好的分割模型语义分割任务需要对每个像素点进行分类，因此训练语义分割模型的数据集需要人为的对每个像素点进行标记，这是一项繁琐和成本高的工作。（data labeling for pixelwise segm

2020-08-07 22:57:55 2981

原创详细记录Few-Shot Semantic Segmentation的框架笔记

Few-Shot Semantic Segmentation任务：以one-shot为例，在support set 中，给定新类（比如狗）的一张图片（或多张图片，比如few-shot，就是多张）以及对应的分割mask（label），这里需要注意，这里的新类（狗）并没有出现在训练任务中。然后在quiery set 给定一张含新类（狗）的图片，需要准确地对这张图片进行分割。这个问题简单说就是：给你一张有mask的图片，比如图片中这是一只狗，然后给你其他新的图片，你还能知道哪个是狗并分割出来，这如何做到的呢？

2020-07-31 14:49:47 2947 3

weixin_43673376的博客