CV中domain adaptation领域自适应问题

最新推荐文章于 2024-05-25 11:16:24 发布
最新推荐文章于 2024-05-25 11:16:24 发布
阅读量1.4k 收藏 10
点赞数 1
分类专栏： # 迁移学习-跨域自适应
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/weixin_44523062/article/details/105876745
版权

文章目录

Reference3(检测、分割、DLOW数据生成）

1. Domain Adaptive Faster R-CNN for Object Detection in the Wild, in CVPR, 2018

2. ROAD-NET: Reality Oriented ADaptation for Semantic Segmentation for Urban Scenes, in, CVPR, 2018

3. DLOW: Domain Flow for Adaptation and Generalization, in CVPR, 2019(Oral)

一、大纲 李文

在这里插入图片描述

二、CV应用的挑战及解决方案：监控、自动驾驶、机器人、电商

在这里插入图片描述在这里插入图片描述

目前的解决方案

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

三、机器学习方法分析

ML的模型基于独立同分布的假设

在这里插入图片描述

域自适应

在这里插入图片描述

四、定义 Domain adaptation 问题，数学描述

侠义的Transfer L是cross-task

Domain adaptation是S有label和T没有label

在这里插入图片描述

五、解决Domain transfer key point，解决S和D的数据集的分布距离差异(散度、wd推土机D)

在这里插入图片描述
在这里插入图片描述

方案一：Feature-Level-通过g(x)的分布转换进行转换 例如TCA杨强

在这里插入图片描述

方案二：CNN based方法前向的时候BN：AdaBN，反向方法：增加不同的loss方法：DAN,JAN，GRL

在这里插入图片描述

方案三：instance-level方法：实例级别方法增加g(x)使Ps(x)*g(x) = Pt(x)：KMM，DA-SVM

方案四：Deep Methods: Transductive DA, Associative DA

在这里插入图片描述

方案五：GAN对抗学习使s和t趋于同分布：将S和T经过Generator映射到特征空间再用D进行分类，GD对抗，使source和target数据分布趋于同分布

在这里插入图片描述

ML和CV处理Domain Transfer目标并非一个算法解决同一领域的所有问题，解决的是实现数据尽量同分布问题

在这里插入图片描述
在这里插入图片描述

六、目标检测中的Domain Adaptive（游戏侠盗猎车场景的目标检测容易获取label到真实场景没有标注的数据）实例level，并非语义（image level）

在这里插入图片描述

检测Faster RNN

在这里插入图片描述

Key idea域适应FasterRCNN 方法

在这里插入图片描述
在这里插入图片描述

在RPN阶段进行域转换

在这里插入图片描述

Key idea域适应Faster RCNN 实现pipeline：加GRL层

GRL解析
在这里插入图片描述

DA FasterRCNN实验结果（游戏场景到真实场景）

在这里插入图片描述

DA FasterRCNN实验结果（真实场景到真实场景=不同城市camera）Kitty==》cityscapes

在这里插入图片描述

DA FasterRCNN实验结果（天气变换）

在这里插入图片描述

进一步的工作发展，物体尺度

在这里插入图片描述

ROAD-NET分空间（块）进行卷积 2018cvpr

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

七、Domian Flow for Adaptation and Generalization

Adaptation? Or Generalization?

在这里插入图片描述
在这里插入图片描述

Domain flow: 0-1 Domain 转换中间的插值Intermediate Domain

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

八、Domain Flow 用于分割实验

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

九、总结

在这里插入图片描述

十 、Far future

在这里插入图片描述

十一 、合作者

在这里插入图片描述
在这里插入图片描述

AIchiNiurou
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
领域自适应domain adaptation 在CV中的应用
weixin_44523062的博客
05-30 418
独立同分布 如果随机变量X1和X2独立，是指X1的取值不影响X2的取值，X2的取值也不影响X1的取值且随机变量X1和X2服从同一分布，这意味着X1和X2具有相同的分布形状和相同的分布参数，对离散随机变量具有相同的分布律，对连续随机变量具有相同的概率密度函数，有着相同的分布函数，相同的期望、方差。如实验条件保持不变，一系列的抛硬币的正反面结果是独立同分布 ...
domain adapation 初步理解
gailj
01-26 3023
domain adapation（领域自适应）是迁移学习的一种，也是目前迁移学习中主要研究方向，旨在解决测试数据不方便采集、标注，耗时耗力等情况，希望通过迁移学习提高识别准确率。 Domain adapation 回顾 核心问题：训练资料和测试资料的分布不同，采用迁移学习的方法，提高准确率。 情况一：有一小部分标注了的测试资料   这种算是domain adapation中很简单的情况了，你可以用这些有标注的资料，来微调你在 Source Domain（训练集）上训练出来的模型，只要稍微跑2-3个epo
Domain Adaptation(领域自适应)
最新发布
weixin_63778889的博客
05-25 727
我们可以训练一个在source domain 上难免表现很出色的模型，但是当target domian和source domain的数据分布不一样时候，我们之前在source domian上面训练的模型，在target domain上面表现可能不是很好。其中绿色长方形的代表我们从source domain和target domain提取的特征图（特征向量），我们要求来自两张图片（source domain 和target domain）出现的数据点（红色点和蓝色点）分布应该看起来一样，分不出差异。
(CVPR 2019)Universal Domain adaptation笔记
VioletSaber的博客
09-19 1694
(CVPR 2019)Universal Domain Adaptation 文章链接 本文主要是针对Universal Domain Adaptation问题提出的方法 Universal Domain Adaptation是指目标域的标签空间未知的无监督领域自适应（Unsupervised Domain Adaptation）问题，如下图所示 网络结构 训练部分，图像xxx输入进入特征提取器FFF，得到特征向量zzz D′D'D′是一个非对抗领域判别器，DDD是一个对抗领域判别器，用于判断输入zzz
Object Detection && Domain Adaption
yg_zhu的博客
09-17 229
CVPR2018 & CVPR2019 【目标检测+域适应】CVPR18 CVPR19总结
domain adaptation 领域自适应
weixin_42187536的博客
03-01 1116
领域自适应是迁移学习中转导迁移学习的重要子问题。 迁移学习是指两个不同领域的知识迁移过程，利用源领域中学到的知识帮助目标领域上的学习任务。源领域的训练样本数量一般远大于目标领域。 迁移学习根据不同的迁移方式，分为两个类型，归纳迁移学习和转导迁移学习。 归纳学习（Inductive Learniing）是希望在训练数据集上学习到使得期望风险（即真实数据分布上的错误率）最小的模型。与传统监督机器学习一样，是基于已有标记的训练数据集构建和训练机器学习模型，然后使用这个训练过的模型预测我们测试集的标签。 转
ICCV 2021 广义源无关领域自适应
01-25
近年来，计算机视觉领域的进步显著，其中领域自适应（Domain Adaptation, DA）成为了一个热门研究方向。领域自适应旨在利用有标签的源领域数据来提升在无标签目标领域的模型性能。在ICCV 2021会议上，一篇名为...
A Survey on Deep Domain Adaptation and Tiny Object Detection Cha
09-23
深度领域适应（Deep Domain Adaptation, DDA）与微小物体检测（Tiny Object Detection）是当前计算机视觉领域中的两个重要研究方向。这篇论文的标题暗示了作者将对这两个主题进行深入探讨，包括面临的挑战、技术手段...
dwt-domain-adaptation:论文代码“使用特征白化和共识丢失的无监督域自适应”（CVPR 2019）
05-06
于2019年6月在加利福尼亚州长滩举行的计算机视觉与模式识别会议（ CVPR ）上发布了论文的官方PyTorch github存储库，该论文进行了。 先决条件 火炬1.0 的Python 3.5 用法 OfficeHome：在其上运行的实验数据集首先...
Domain Adaptation for Medical Image Analysis A Survey.pdf
09-25
随着机器学习技术在计算机辅助医学图像分析中的广泛应用，一个关键问题逐渐显现，即所谓的“领域转移”（domain shift）问题。该问题源于训练数据（源/参考域）和测试数据（目标域）之间分布的不同，导致模型在新...
Detectron-DA-Faster-RCNN:Detectron中的域自适应快速R-CNN
05-09
Detectron中的域自适应快速R-CNN 这是Haoran Wang（ ）实施的“用于野外物体检测的域自适应快速R-CNN”的Caffe2实现。 原始文件可以在找到。 此实现基于 @ 。 如果您发现此存储库有用，请引用以下原始文件： @in...
CVPR2022 | 利用域自适应思想，北大、字节跳动提出新型弱监督物体定位框架
qq_29462849的博客
03-22 531
作者丨朱磊来源丨机器之心将弱监督物体定位看作图像与像素特征域间的域自适应任务，北大、字节跳动提出新框架显著增强基于图像级标签的弱监督图像定位性能。物体定位作为计算机视觉的基本问题，可以为场景理解、自动驾驶、智能诊疗等领域提供重要的目标位置信息。然而，物体定位模型的训练依赖于物体目标框或物体掩模等密集标注信息。这些密集标签的获取依赖于对图像中各像素的类别判断，因此极大地增加...
MPDA：基于Domain Adaption的V2X协同感知（3D目标检测）
weixin_43635795的博客
12-31 656
在协同感知中进行domain gap识别（空间分辨率、通道数量、模式），为解决这3个主要的特征差异问题，提出了一个Multi-agent Perception Domain Adaption（MPDA）框架，可在多个维度上对特征进行调整。提出了一个Learnable Feature Resizer，以自适应的方式更好地调整来自其他agent的空间和通道特征。提出了一个Sparse Cross-domain Transformer，可以有效地统一来自不同agent的特征模式。
CVPR2022 | 可精简域适应
CV技术指南（微信公众号）
06-23 1316
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。论文：Slimmable Domain Adaptation论文：http://arxiv.org/pdf/2206.06620代码：https://github.com/hikvision-research/SlimDA深度神经网络通常对离线采集的图像（标记的源数据）进行训练，然后嵌入到边缘设备中，以测试从新场景中采集的图像（未标记的目标数据）。在实践中，这种模式由于域转移而降低了网络性能。近年来，越来越多的
迁移学习之Domain Adaptation
u014114990的专栏
09-26 4594
读：域适应是迁移学习中最常见的问题之一，域不同但任务相同，且源域数据有标签，目标域数据没有标签或者很少数据有标签，本文主要介绍了几篇基于卷积神经网络来处理域适应这个问题的文章。 前一篇文章中的图2给出了迁移学习中几种常见的问题，其中一个比较重要的是域适应问题domain adaptation，域不同但任务相同，且源域数据有标签，目标域数据没有标签或者很少数据有标签。例如下图四个数据集，它们从不同...
《DLOW:Domain Flow for Adaptation and Generalization》论文解析
wenqiwenqi123的博客
04-16 1572
今天说的这篇文章，也是用来解决迁移学习问题的。迁移学习要解决一个什么问题呢？就是要把模型在source域（源域）学习到的知识，用到target域（目标域）里。 DLOW这篇文章主要提出了两点：1、可以把source域的数据迁移成中间域，中间域也就是介于source和target之间的域。 2、训练的时候如果有多个target域的话，DLOW可以生成网络没有见过的数据风格。 那么接下来介绍...
Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)
yanglong6666的博客
01-16 2949
摘要：现有的去雾方法大多是在合成的雾霾图像上训练去雾模型，但由于域的偏移，对真实的雾霾图像的泛化效果较差。故提出一种领域自适应模式，该模式由一个图像平移模块和两个图像去雾模块组成。具体来说，首先应用一个双向网络，通过将图像从一个域转换到另一个域，来弥补合成域和真实域之间的差距。然后，使用平移前后的图像训练两个具有一致性约束的图像去雾网络。在这一阶段，利用清晰图像的特性（如暗通道先验和图像梯度平滑），将真实的朦胧图像纳入去雾训练中，进一步提高域自适应性。通过端到端对图像平移和去雾网络进行训练，可以获得较好的图
unsupervised domain adaptation
06-06
该技术通常应用于机器学习和计算机视觉等领域中，用于解决在源领域训练出的模型不能直接应用到目标领域的问题。无监督领域自适应技术可以提高模型在目标领域的性能，同时也可以减少目标领域标注数据的需求。无监督...
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