- 博客(23)
- 收藏
- 关注
RSS订阅原创 Track Segment Association With Dual Contrast Neural Network
航迹中断会对目标跟踪、态势感知、信息融合等造成严重干扰。而这往往是由多种原因引发的，如目标机动、多普勒雷达的盲区、采样间隔过长等原因。现有的算法都是基于假设的目标运动模型，采用统计估计的理论来衡量待关联预测航迹之间的相似性，存在假设不合理、模型不适用、阈值不确定等缺点。为了解决这些问题，本文提出了一种航迹片段关联双对比神经网络( TSADCNN )来完成航迹片段关联任务。首先，基于深度度量学习，我们提出了时空信息提取模块来提取轨迹信息，特别是对称相关信息并提升维度。
2023-06-04 13:36:28
101
原创 Kalmannet：部分已知动力学的神经网络辅助Kalman滤波
动态系统的实时状态估计是信号处理与控制的一项基本任务。对于由完全已知的线性高斯状态空间( SS )模型表示的系统，著名的卡尔曼滤波器( KF )是一个低复杂度的最优解。然而，无论是底层SS模型的线性性，还是对其准确的认识，在实际应用中往往都是无法实现的。在这里，我们提出KalmanNet，一个从数据中学习的实时状态估计器，用于在带有部分信息的非线性动力学下进行卡尔曼滤波。通过在KF的流程中融入结构化SS模型和专用循环神经网络模块，我们在隐式地从数据中学习复杂动态的同时，保留了经典算法的数据效率和可解释性。
2023-06-02 15:25:28
378
原创 动态证据融合的可信多视图分类
现有的多视图分类算法侧重于利用不同的视图来提高准确性，通常将它们集成到后续任务的通用表示中。虽然有效，但确保多视图集成和最终决策的可靠性也是至关重要的，特别是对于噪声、损坏和分布不均匀的数据。针对不同的样本动态评估每个视图的可信度可以提供可靠的集成。这可以通过不确定性估计来实现。基于此，我们提出了一种新的多视图分类算法- -可信多视图分类( Trusted Multi-view Classification，TMC )，通过在证据级别动态集成不同视图，为多视图学习提供了一种新的范式。提出的TMC可以通过考虑
2023-05-09 20:42:46
93
原创 Evidential Neighborhood Contrastive Learning for Universal Domain Adaptation
面向通用域适应的证据邻域对比学习通用域适应( UniDA )旨在将从有标签的源域学习到的知识迁移到无标签的目标域，而不需要对标签集进行任何约束。然而，域转移和类别转移使得UniDA极具挑战性，主要归因于需要同时识别共享的"已知"样本和私有的"未知"样本。以往的方法很少利用两个域之间的内在流形结构关系进行特征对齐，而是依靠基于softmax的具有类别竞争性质的分数来检测潜在的"未知"样本。因此，在本文中，我们提出了一种称为TNT的新的近邻对抗学习框架来解决这些问题。
2023-04-24 23:27:04
47
原创 Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentatio
基于不确定性估计修正伪标签学习的领域自适应语义分割摘要本文重点研究在语义分割的背景下，将源领域的知识迁移到目标领域的无监督领域自适应。现有方法通常将伪标签作为基本真值来充分挖掘未标记的目标域数据。然而，目标域数据的伪标签通常由源域上训练的模型来预测。因此，生成的标签不可避免地包含了由于训练域和测试域之间的差异而导致的错误预测，这些错误预测可以转移到最终的适应模型中，并在很大程度上损害了训练过程。为了克服该问题，本文提出在训练过程中显式估计预测不确定性，以纠正用于无监督语义分割自适应的伪标签学习。给定输入
2023-04-24 19:59:25
50
原创 Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision
通过自监督的无监督域内自适应语义分割
2023-04-17 21:35:21
11
原创 2021_Self-supervised Augmentation Consistency for Adapting Semantic Segmentation
用于适应语义分割的自监督增强一致性
2023-04-17 20:56:16
23
原创 2018_ECCV_Deep Clustering for Unsupervised Learning of Visual Features
用于视觉特征无监督学习的深度聚类
2023-04-17 16:59:26
25
原创 Learning Semantic Representations for Unsupervised Domain Adaptation
由于人工标注成本昂贵，将知识从标签丰富的源领域转移到无标签的目标领域非常重要。先验域适应方法通过对齐源域和目标域之间的全局分布统计信息来解决这个问题，但是先验方法的一个缺点是忽略了样本中包含的语义信息，例如目标域中背包的特征可能映射到源域中汽车的特征附近。在本文中，我们提出了移动语义迁移网络，通过对齐标记源质心和伪标记目标质心来学习未标记目标样本的语义表示。同一类别但不同领域的特征有望被附近映射，从而提高目标分类精度。移动平均质心对齐被谨慎地设计来补偿每个小批量内分类信息的不足。
2023-04-13 22:17:55
27
原创 DARE-GRAM : Unsupervised Domain Adaptation Regression by Aligning Inverse Gram Matrices
Dare-gram：通过对齐逆Gram矩阵的无监督域适应回归
2023-04-09 23:20:27
472
原创 2021_ICCV_Gradient Distribution Alignment Certificates Better Adversarial Domain Adaptation
处理无监督领域适应任务梯度分布对齐证明了更好的对抗域适应
2023-03-19 18:27:53
247
原创 2019_PMLR_Bridging Theory and Algorithm for Domain Adaptation
域适应的桥接理论与算法
2023-03-18 21:22:06
448
原创 2018 Conditional Adversarial Domain Adaptation
对抗学习已被嵌入到深度网络中，用于学习用于域适应的解纠缠和可迁移表示。现有的对抗域适应方法可能无法有效地对分类问题中固有的多模态分布的不同域进行对齐。在本文中，我们提出了条件对抗域适应，这是一个原则性的框架，它将对抗适应模型的条件限制在分类器预测中传递的判别信息上。
2023-03-14 19:13:51
226
原创 2020 CVPR Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering
无监督域适应( UDA )是给定源域上分布偏离目标域的有标签数据，对目标域上的无标签数据进行预测。主流的UDA方法学习两个域之间的对齐特征，使得在源特征上训练的分类器可以很容易地应用到目标特征上。然而，这样的迁移策略存在破坏目标数据内在鉴别力的潜在风险。为了缓解这种风险，我们受结构域相似性假设的启发，提出通过对目标数据的判别性聚类来直接揭示目标的内在判别性。我们使用结构源正则化来约束聚类解，这依赖于我们假设的结构域相似性。
2023-03-13 17:49:22
285
原创 Backprop Induced Feature Weighting for Adversarial Domain Adaptation with Iterative Label Distributi
对大规模标注数据集的需求是训练精确深度神经网络的限制因素之一。无监督域适应通过将知识从一个有很多标记数据的域迁移到另一个几乎没有标记数据的域来解决训练数据有限的问题。一种常用的方法是学习领域不变的特征，例如采用对抗的方法。以往的方法往往将领域分类器和标签分类器网络分开训练，两种分类网络之间的交互较少。在本文中，我们引入了基于分类器的反向传播算法诱导的特征空间加权。这种方法主要有两个优点。首先，它让领域分类器关注对分类重要的特征；其次，它将分类和对抗分支更紧密地耦合在一起。
2023-03-13 16:55:00
153
原创 Multi-Target Domain Adaptation with Collaborative Consistency Learning
Multi-Target Domain Adaptation with Collaborative Consistency Learning
2023-02-01 22:55:30
1197
原创 2019_ICML_Domain Agnostic Learning with Disentangled Representations
2019_Domain Agnostic Learning with Disentangled Representations
2023-02-01 14:57:02
268
1
原创 报错：caffe2_detectron_ops.dll“ or one of its dependencies.的解决办法
报错：caffe2_detectron_ops.dll“ or one of its dependencies.的解决办法
2023-01-27 10:12:07
1218
2
原创 2020_ECCV_ Minimum Class Confusion for Versatile Domain Adaptation
2020 Minimum Class Confusion for Versatile Domain Adaptation
2023-01-16 17:20:57
480
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人