域适应语义分割

最新推荐文章于 2024-05-07 19:57:16 发布
最新推荐文章于 2024-05-07 19:57:16 发布
阅读量1.2k 收藏
点赞数 1
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/zz2230633069/article/details/89071677
版权

在语义分割中，输出空间在空间和局部上，包含丰富信息，比如源域和目标域在外观上可能非常不同，可是在分割结果上会具有很多相似性，如空间布局和局部上下文。如果在源域上训练得到的语义分割模型直接用在目标域上面，可以得到语义分割图，但是效果很差，发生域偏移，有很多噪点。那么为了消除噪点，解决域偏移问题，可以在输出空间做平滑，也就是让目标域的分割图趋向于源域的分割图，这样空间布局就能得到完善。

Learning to Adapt Structured Output Space for Semantic Segmentation

 

 

一只tobey
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
20230727（域自适应语义分割综述）2023 Arxiv Semantic Image Segmentation two decades of research
weixin_37210908的博客
08-22 701
2022域自适应语义分割综述
基于领域自适应的语义分割（Domain Adaptation-based Semantic Segmentation）
热门推荐
一亩高粱
10-20 1万+
AdaptSegNet
详解域适应
最新发布
Y220and284的博客
05-07 1223
最后，使用获得的目标标签(以及可选的，标记的源和未标记的目标数据)来更新模型，从而得到分类良好的目标数据(右)。其核心思想是在源领域（source domain）和目标领域（target domain）之间，通过重新加权源领域的数据，来使源领域和目标领域的分布更加接近，从而提高在目标领域上的模型性能。主动域适应重加权算法的工作原理是通过重新加权源领域的数据，然后在重新加权的源数据上训练模型，以最小化源领域和目标领域之间的分布差异。这些技术有效减少了源域和目标域之间的差异，提升了模型在目标域的性能。
3D语义分割中域适应的跨模态学习
weixin_42370327的博客
01-07 478
域适应是在标签稀缺时实现学习的一项重要任务。虽然大多数工作只关注图像模态，但存在许多重要的多模态数据集。为了利用多模态进行域适应，我们提出了跨模态学习，我们通过相互模仿来加强两种模态的预测之间的一致性。我们限定网络对标记的数据做出正确的预测，并对未标记的目标域数据进行跨模态的一致性预测。无监督和半监督的域适应 settings 的实验证明了这种新颖的域适应策略的有效性。具体来说，我们评估来自 2D 图像、3D 点云或两者都有的 3D 语义分割任务。我们利用最近的自动驾驶数据集来产生各种各样的域适应场景
【CVPR2022】用于域适应语义分割的域无关先验
华为云官方博客
06-20 1891
本文给大家分享一篇我们在CVPR 2022 上发表的paper：Domain-Agnostic Prior for Transfer Semantic Segmentation。文章提出了一种图像域无关的先验，可以有效地提升域适应语义分割的精度。
CVPR2019领域自适应/语义分割：Adapting Structural Information across Domains for Boosting Sema适应结构信息跨领域促进语义分割
ssshyeong的博客
04-21 3888
为了解决用于语义分割任务的无监督域适应问题，提出一个域不变结构提取(DISE)框架解决图像域不变结构和特定于域的纹理表示,进一步实现了图像的跨域翻译和标签转移，提高了分割性能。
ProDA:用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021）
05-04
用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021，官方Pytorch实施），，，，，。抽象的自训练是域自适应分割中的一种竞争方法，该方法使用目标域上的伪标签训练网络。 但是，由于源域和目标域之间...
FDA:用于语义分割的傅里叶域自适应
03-21
FDA：用于语义分割的傅里叶域自适应。这是2020年CVPR发布的论文的Pytorch实施。使用傅里叶变换，可以通过样式转换轻松调整域。 FDA不需要深入的网络来进行样式转换，也不需要任何对抗培训。下面是建议的傅里叶域...
MaxSquareLoss:PyTorch中“用于最大分割损失的语义分割的域自适应”的代码
05-04
具有最大平方损失的语义分割域自适应 陈明豪，薛宏阳，蔡登。 介绍 ICCV 2019论文PyTorch实施。 细分模型基于带有ResNet-101主干网的Deeplabv2。 本文介绍的“ MaxSquare + IW + Multi”在三个UDA数据集（GTA5，...
AdaptSegNet：学习适应结构化输出空间进行语义分割，CVPR 2018（聚焦）
02-04
我们的方法的Pytorch实现，用于从合成数据集（源域）到实际数据集（目标域）适应语义分割。 基于此实施，我们的结果在排名第三。 联系人︰蔡一轩（gmail.com的wasidennis）和洪伟志（uctced dot edu的whung8） 纸 *...
SAC:简单高效的域自适应语义分割自监督方法（CVPR2021语义分割）
CV计算机视觉
06-20 5742
今天和大家分享一篇发表在CVPR2021上的语义分割论文，面向域自适应语义分割领域。 论文下载地址：https://arxiv.org/abs/2105.00097 代码下载地址：https://github.com/visinf/da-sac 0.动机 无监督的域自适应（Unsupervised domain adaptation，UDA）解决无标签测试数据和带标签训练数据分布不一致问题。 在语义分割领域中，相比于手工或者半手工标注真实世界的标签，使用合成的数据集和标签有更低的成本。 近年来，多种用于解
2018_CVPR_Learning to Adapt Structured Output Space for Semantic Segmentation
pain_gain0的博客
10-18 407
论文内容分析： 》提出通过对抗学习的进行像素级的语义分割的域适应方法。 》在输出空间的域适应可以有效地对齐源域和目标的场景布局和局部上下文。 作者的目的是：源域、目标域的图像的分割预测Ps,Pt更接近。在目标预测的对抗损失下，将判别器的梯度传递到生成器(分割模型)，让生成器（分割模型）对目标域图像分割，生成与源域分割预测类似的目标域分割预测。 》提出多层次对抗学习来适应分割模型的不同层次的特征，改善性能。 参考深度监督网络【1】，在低层次特征空间中（low-level feature)，引入对抗模
迁移学习之语义分割对抗域适应
一路狂奔的猪的博客
01-05 3764
问题背景： 自动驾驶场景：当前语义分割算法需要大量有标签的数据集，然而，这些像素级的标注信息的获取代价是非常巨大的。   针对这一问题，有学者提出了通过游戏引擎来合成自动驾驶场景下的图像数据，同时得到像素级的语义标签，避免了标注真实图像所需要耗费的大量人力物力。   但是，随之带来的问题是，合成图像上训练的模型能否适用于真实图像？答案是否定的，因为合成图像和真实图像的数据分布存在巨大的偏...
语义分割、域适应相关论文
stdleohao的博客
12-02 1768
2021语义分割、域适应、无监督
Learning to Adapt Structured Output Space for Semantic Segmentation（2018 CVPR）
odssodssey的博客
03-03 1849
Tsai Y H, Hung W C, Schulter S, et al. Learning to adapt structured output space for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7472-7481. 摘要 基于卷积神经网络的语义分割方法依赖于对像素级gt的监督，但可能不能很好地推广到未见过的图
论文域适应语义分割：Learning to Adapt Structured Output Space for Semantic Segmentation
weixin_43673376的博客
08-19 1455
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
域自适应图像分割(domain adaptation)
ReaFly的博客
08-02 7306
domain adaptation 主要包括image-level 和 feature-level 两个层面的适配， 其中，image-level多依赖GAN进行转化，feature-level多依赖loss损失函数，或者对抗思想来约束两个domain的特征 1. 《Patch-based Output Space Adversarial Learning for Joint Optic Disc...
深度学习（8）——无监督语义分割之全卷积域适应网络(FCAN)
Niteowl
11-12 5280
深度学习（8）——无监督语义分割之全卷积域适应网络(FCAN) Fully Convolutional Adaptation Networks for Semantic Segmentation 篇文章发表在CVPR2018上，主要工作是提出了两种域适应策略，探索了如何使用合成图像提升真实图像的语义分割性能。 讲解论文之前，我们先来看几个概念。 域适应（Domain adaptation）： ...
标准语义分割和实例语义分割
04-29
标准语义分割和实例语义分割都是计算机视觉中的语义分割任务，但它们的处理方式略有不同。 标准语义分割的目标是将图像中的每个像素划分为不同的语义类别，例如人、车、道路、建筑等。在标准语义分割中，同一类别的...

“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
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