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

最新推荐文章于 2022-05-08 10:46:57 发布
最新推荐文章于 2022-05-08 10:46:57 发布
阅读量1.2k 收藏 8
点赞数 5
分类专栏： 域适应系列文章 文章标签： 机器学习 人工智能 深度学习 python
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/weixin_43673376/article/details/110038498
版权

文章目录

一、简单介绍

1）Motivation

​  ​  ​   不采用对抗的方式，也能取得比较好的适应性能，文章想把全局的，具体类别的特征对齐和任务本身用一个简单的loss统一起来一起做；其次，解决在ST方法中，生成的伪标签类别不平衡的问题（伪标签估计的工作）。
​​  ​   ​   这里简单介绍下ST方法的优缺点：能够学习更好的决策边界，既能达到让两个域全局特征匹配，也能让类别特征匹配（classwise feature alignment ），但以前做法不够elegant，毕竟是特征匹配和分类任务是分开来做的。另外它还有个假设，target域的样本，若预测输出值更大，也意味着更高的置信度。
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 经典DANN：分类网络+domain分类器，域分类器从分类网络的特征提取器中提取特征作为输入，用来区分instance来自哪个域，对抗学习domain-invariant features
  • 泛化性和mode collapse ：分别研究能不能生成新样本以及研究生成样本的多样性，mode collapse是产生的样本单一
weixin_43673376
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Unsupervised-Domain-Adaptation-with-Differential-Treatment:[CVPR 2020]东西区别对待
05-04
东西的差异处理：语义分割的一种简单的无监督域自适应方法 该存储库适用于CVPR2020接受的以下论文中介绍的Stuff Instance Matching（SIM）框架 ，，， ，， ，和 介绍 在这项工作中，我们通过减轻源域（合成数据）和目标域（实际数据）之间的域迁移来考虑语义监督的无监督域自适应问题。 最新的方法证明执行语义级别的对齐有助于解决域转换问题。 基于观察发现，东西类别通常在不同域的图像上具有相似的外观，而事物（即对象实例）具有更大的差异，我们建议使用不同策略针对东西区域和事物改进语义级别的对齐方式：1）对于在填充类别中，我们为每个类生成特征表示，并执行从目标域到源域的对齐操作； 2）对于事物类别，我们为每个单独的实例生成特征表示，并鼓励目标域中的实例与源域中最相似的实例对齐。 这样，事物类别内的个体差异也将被认为可以减轻过度对齐的情况。 除了我们提出的方法外，我们还揭示了当
Joint Feature and Labeling Function Adaptation for Unsupervised Domain Adaptation.pdf
09-28
Joint Feature and Labeling Function Adaptation for Unsupervised Domain Adaptation.pdf
论文研究-Unsupervised domain adaptation with joint supervised sparse coding and Discriminative regularization term.pdf
08-15
结合有监督的稀疏编码和判别正则项的无监督域适应算法，朱琳，张翔，域适应是通过减小不同域分布之间的差异以期加强分类器的泛化性能。本文专注于无监督域适应问题,其目标域无标签。大部分已有的算��
论文笔记：Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
01-06
Profile         最近因为个人需要看了一些 DADADA 和 DRDRDR 的文章。         这篇文章比较有意思的是：将聚类设计成目标函数，从而一方面实现经网络抽取特征在分布上的自然聚类，一方面因为特征分布的聚类自然提高了分类效果，一方面加快了聚类的速度，同时最主要的就是实现了不同源域之间的结构的细粒度对齐，从而促进 UDAUDAUDA 算法的性能。 Introduction         DADADA 有一个基本的解决思路就是：认为源域 SSS 与目标域 TTT 的边缘分布在高层语义空间是可以等价的，因此，致力于在高层隐空间拉近两个域的分布，设计为一个类似 min⁡θ
语义分割CVPR2020-Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision
ssshyeong的博客
01-02 2723
本研究中，我们提出了一种两步自监督域自适应方法来最小化域间和域内的差距。首先，我们对模型进行域间适应;从这个适应中，我们使用基于熵的排序函数将目标域分割成简单和困难的分割。最后，为了减小域内差距，我们提出了一种自监督自适应技术，由容易分割到难分割。在大量基准数据集上的实验结果突出了我们的方法相对于现有先进方法的有效性。
Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training
fuyouzhiyi的博客
11-06 3546
摘要 最近的深度网络在各种语义分割任务上实现了最先进的性能。尽管取得了这些进展，但这些模型经常面临现实世界“wild tasks”中的挑战，其中存在标记的训练/源数据与看不见的测试/目标数据之间的巨大差异。特别地，这种差异通常被称为“域间隙”，并且可能导致显着降低的性能，这通过进一步增加表示能力而不能容易地补救。无监督域适应（UDA）试图在没有目标域标签的情况下克服这种问题。在本文中，我们提出了一...
Improving Semantic Segmentation via Self-Training论文理解
qq_35778890的博客
07-14 489
文章目录主要贡献点方法（1）使用无标注的数据进行自训练（2）质心采样对抗类别不平衡（3）对于大型扩展数据集的快速训练方法 主要贡献点 介绍了一个用于语义分割的自训练框架，其能够正确处理带噪声的像素级别的半监督标签 提出了一种训练方法，其能够适应训练过程中图像的分辨率，在不损失模型精确度的情况下加速性能 用所提出的方法在cityscapes, camvid和kitti数据集上面都做了实验，实验过程只使用了少量的标注 在不同语义种类的跨域泛化任务上面验证了自训练的有效性 方法 （1）使用无标注的数据进行自训
UDA/语义分割-ColorMapGAN: Unsupervised Domain Adaptation for Semantic Segmentation Using Color Mapping G
ssshyeong的博客
05-08 2498
提出了一个新的语义分割框架，该框架的关键组成部分是颜色映射生成对抗网络(ColorMapGANs)，它可以生成语义上与训练图像完全相同的虚假训练图像，但其光谱分布类似于测试图像的分布。然后，我们使用伪图像和训练后的真实图像来微调已经训练过的分类器，ColorMapGAN中的生成器没有任何卷积层或池化层。它学习将训练数据的颜色转换为测试数据的颜色，只需要执行一次元素矩阵乘法和一次矩阵加法操作。
SS-SFDA-Self-Supervised-Source-Free-Domain-Adaptation-for-Road-Segmentation-in-Hazardous-Environme:论文“ SS SFDA”的代码库
04-12
title={SAfE: Self-Attention Based Unsupervised Road Safety Classification in Hazardous Environments}, author={Kothandaraman, Divya and Chandra, Rohan and Manocha, Dinesh}, journal={arXiv preprint ...
python用scrapy爬虫豆瓣_python爬虫框架scrapy 豆瓣实战
weixin_39745724的博客
12-22 396
Scrapy官方介绍是An open source and collaborative framework for extracting the data you need from websites.In a fast, simple, yet extensible way.意思就是一个开源和协作框架，用于以快速，简单，可扩展的方式从网站中提取所需的数据。环境准备本文项目使用环境及工具如下pyt...
ECCV 2018 完整论文集 -- List & 下载链接
热门推荐
TomRen
09-02 1万+
下文列表为ECCV2018官网得到了今年接收论文列表，共779篇： 持续更新下载链接 Oral: Convolutional Networks with Adaptive Computation Graphs Progressive Neural Architecture Search Diverse Image-to-Image Translation via Dise...
目标检测中的Feature Alignment问题
weixin_42096202的博客
03-29 6051
最近面试中遇到了这个问题，自己答得不好。因此又重新调研了这一块内容并做个记录，可能理解不全面，欢迎各位批评指正。 目标检测中的Feature Alignment问题主要分为： 1.分类与回归特征不匹配问题，即分类与回归部分所需要的特征不同，当前使用共享全连接层或者卷积层的操作会带来特征冲突问题。 2.Anchor与特征不对齐问题，主要包含两个： 1）feature map上的同一个点同时对应了...
Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se
weixin_43673376的博客
03-14 1325
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
域适应系列3：Minimal-entropy Correlation Alignment for Unsupervised Deep Domain Adaptation（ICLR 2018）
weixin_43673376的博客
09-23 1248
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
Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation(ECCV2020）
weixin_43673376的博客
12-07 1075
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.
域适应方法系列1：Asymmetric Tri-training for Unsupervised Domain Adaptation
weixin_43673376的博客
09-22 869
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
域适应系列2：Transferable Curriculum for Weakly-Supervised Domain Adaptation（AAAI 2019）
weixin_43673376的博客
09-22 741
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
Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation
weixin_43673376的博客
11-20 587
Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation NeurIPS 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    
unsupervised domain adaptation
最新发布
06-06
无监督域自适应（Unsupervised Domain Adaptation）是指在目标域没有标注数据的情况下，利用源域和目标域的数据进行模型的训练，从而提高目标域上的预测性能。在这种情况下，源域和目标域可能存在一些不同，比如分布...

“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 1
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