域适应系列文章
文章平均质量分 80
weixin_43673376
这个作者很懒,什么都没留下…
展开
-
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原创 2021-03-14 15:24:39 · 1323 阅读 · 2 评论 -
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.原创 2020-12-07 21:23:43 · 1072 阅读 · 0 评论 -
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,这原创 2020-11-24 20:30:01 · 1254 阅读 · 1 评论 -
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摘要原创 2020-11-20 13:59:55 · 586 阅读 · 0 评论 -
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,算原创 2020-09-23 21:33:22 · 1238 阅读 · 0 评论 -
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原创 2020-09-22 22:42:46 · 741 阅读 · 0 评论 -
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原创 2020-09-22 21:48:25 · 867 阅读 · 0 评论