【论文研读】Category-level Adversaries for Semantics Consistent Domain Adaptation（cvpr2019）

最新推荐文章于 2024-07-01 02:38:21 发布
最新推荐文章于 2024-07-01 02:38:21 发布
阅读量1.6k 收藏 5
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文研读 文章标签： cvpr2019 论文 GAN 人工智能
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.youkuaiyun.com/Always_ease/article/details/89337742
本文介绍了语义分割和无监督域适应的背景，并提出了类别级别对抗性网络（CLAN），通过类别级别的对抗性损失和权重不一致损失，实现源域和目标域的语义一致性。实验在Cityscapes、GTA5和SYNTHIA数据集上进行，展示了CLAN的有效性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

原文链接：Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation

作者：Yawei Luo , Liang Zheng， Tao Guan , Junqing Yu , Yi Yang

一、背景知识介绍

1、语义分割：

1）定义：给定一张图片，对图片上的每一个像素点分类。

2）样本来源：昂贵的人工劳动所获得的大量密集像素级注释；另一种方法是使用模拟数据（如计算机生成的场景）

3）问题提出：使用模拟数据得到的图片与真实分割图像有不同的数据分布，通常称为域移位

2、无监督域适应（域迁移）

1）传统方法（TAN）：对抗性学习，生成器被训练以产生混淆鉴别器的特征，判别器正确地分类两个域

即分类器将对于源域的样本判断为负类，目标域判断为正类。

总loss = Labv+Lseg

2）问题：当生成器完全骗过判别器时，它只是对齐了两个域的边际分布，而忽略了本地类别级别的分布转移

最低0.47元/天 解锁文章

200万优质内容无限畅学
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
ssshyeong的博客
11-01 2513
域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
Semantic Domains
03-12
Semantics is a term that refers to how meaning is assigned in language (Oxford, 1989). A domain is essentially a specific place or territory (Oxford, 1989). A semantic domain is a specific place that shares a set of meanings, or a language that holds its meaning, within the given context of the place. Harriet Ottenheimer (2006), a writer in Linguistic Anthropology, defines a semantic domain as a “specific area of cultural emphasis”
Category-level Adversaries for Semantics Consistent Domain Adaptation
cassiePython的专栏
07-19 975
CVPR2019: Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation## 引言 PS. 来自于悉尼科技大学杨易老师团队一篇paper，CVPR2019的oral。主要是对domain adaptation带来语义的约束（Categor...
Category-level Adversaries for Semantics Consistent Domain Adaptation
fuyouzhiyi的博客
07-12 485
这是CVPR 2019的一片论文，讲语义分割中的域适应 文章目录摘要介绍算法问题背景网络架构相关工作GAN协同训练(co-traning)训练流程损失函数分析实验 摘要 域适应在语义分割中的关键问题在于 减少域漂移(domain shift)。一般，我们对齐两个域之间的分布来解决这个关键问题。问题是，这种全局性的对齐两个域的分布，并没有考虑类别级别的对齐。这种忽略会造成：目标域中 原本已经对齐的类...
【论文笔记】Semantic-Aware Domain Generalized Segmentation
m0_61899108的博客
11-09 2467
论文标题：Semantic-Aware Domain Generalized Segmentation发表于：CVPR 2022 (oral)本文分别基于Instance Normalization (IN)与Instance Whitening (IW) 提出了两个用于编码器与解码器之间的即插即用模块：Semantic-Aware Normalization (SAN)与Semantic-Aware Whitening (SAW)，能够极大的提示模型的泛化能力。
【PL理论深化】(14) 语意结构：环境 (envrioment) | Env = Var→Val | Val = Z + B | 语义域 (semantic domain) | ρ∈Env
最新发布
有道无术, 术尚可求。有术无道, 止于术。
07-01 1017
现在我们来定义语言的语义结构，规则用于执行用这种语言编写的程序。
CVPR2019| 百度17篇CVPR论文学习记录（包含：无人驾驶、神经网络、GAN、无监督学习、目标检测）
王博（Kings）的博客
05-03 5307
首先感谢现在网上资源丰富，能够获得很多人的总结，结合自身实际进行了学习记录。并着重标注了其中关键核心 目录 1）Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation（仔细研究源域转换：语义一致域适应的类别级别对抗） 2）Filte...
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI 研习社的博客
05-29 3259
雷锋网AI 科技评论按：百度研究院、华中科技大学、悉尼科技大学联合新作——关于无监督领域自适应语义分割的论文《 Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation》被 CCF A 类学术会议 CVPR2019 收录为Oral 论文 ...
【迁移学习】Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
毛毛的博客
10-14 1028
文章目录2.相关工作2.1 基于CNN的目标检测2.2 基于点云的3D目标检测3.PIXOR 检测器4.结果4.1 KITTI上的BEV目标检测5.总结 ## 摘要 作者考虑了语义分割中的无监督域自适应问题。这一问题的关键在于减少域偏移，即强制两个域的数据分布相似。常用的策略之一是通过对抗学习来对齐特征空间中的边缘分布。然而，这种全局对齐策略没有考虑类别级别的联合分布，这样源和目标之间最初很好对齐的一些类别可能被错误地映射，导致目标域中更差的分割结果。因此，作者引入了一个类级别的对抗性网络，目的是在全局
论文笔记：ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation
u013708520的博客
12-15 1529
语义分割是许多计算机视觉任务的关键问题。虽然基于卷积神经网络的方法不断在不同的基准上打破新记录，但如何很好地推广到不同的测试环境仍然是一个重大挑战。在许多现实世界的应用中，训练域和测试域中的数据分布之间确实存在很大差距，这会导致运行时严重的性能损失。在这项工作中，我们解决了语义分割中无监督域适应的任务，其损失基于像素预测的熵。为此，我们提出了两种新颖的互补方法，分别使用（i）熵损失和（ii）对抗性损失。我们在两个具有挑战性的“合成-2-真实”设置1上展示了语义分割的最先进性能，并表明该方法也可用于检测。
【论文翻译】Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domai
星星亮了bulingbuling~
05-22 769
Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domain Adaptation 仔细研究域转移：语义一致域适应的类别级对手 Abstract We consider the problem of unsupervised domain adap- tation in semantic segmentation. A key in this campaign consists
【迁移学习】2018_AAAI_Multi-Adversarial Domain Adaptation论文解读
zkq_1986的博客
12-07 2182
paper: Multi-Adversarial Domain Adaptation 引文：Pei Z, Cao Z, Long M, et al. Multi-Adversarial Domain Adaptation[J]. AAAI, 2018. 1. 方法 本文主要解决多领域迁移问题。在多领域中，存在如下图的困难。即多个领域容易被杂糅在一起，或者领域映射发生错误，比如源域有猫、狗，目...
《ADVENT：Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation》论文笔记
m_buddy的博客
10-24 1550
参考代码：ADVENT 1. 概述 导读：由于在训练场景和测试场景存在偏差（domain-shift），因而就会使得训练场景（source域）下的精度在测试场景（target域）下下降的问题。这篇文章针对分割场景下的domain adaptation问题提出在像素预测结果上使用基于熵的损失，既是文章为domain adaptation提出两种损失：entropy loss和GAN的对抗损失，从而降低文章提出的target图像的熵值。 从source域到target域的切换会存在性能的损失，那么这个损失的
ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation(CVPR2019）
odssodssey的博客
03-10 2029
Vu T H, Jain H, Bucher M, et al. Advent: Adversarial entropy minimization for domain adaptation in semantic segmentation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2517-2526. 一、动机 作者观察到：源域上的监督学习训练出来的模型，.
图像检索中的概念
PyBigStar的博客
12-02 702
class-level retrival是类级别的检索，而instance-level retrival是实例级别的检索。即前者能匹配的正确图像在数据库中可能有很多，而后者能匹配的正确图像在数据库中只有一个。**例如，**要找“一个穿蓝色衣服的金发女郎在打车。” 实际上你只有一个正确答案。不像class-level 或category-level的 要找“女性“可能有很多个正确答案。所以这个问题更细粒度，也更需要detail的视觉和文本特征。 ...
基于特征的对抗迁移学习论文_迁移学习之域漂移问题的对抗学习
weixin_36179777的博客
01-10 1780
迁移学习系列论文七：CVPR 2019论文： Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation前言：迁移学习，是指利用数据、任务、或模型之间的相似性，将在旧领域学习过的模型，应用于 新领域的一种学习过程。我们都对机器学习有了基本的了解...
论文阅读：Instance-Level Salient Object Segmentation
Ethan_Wuuu的博客
08-08 4206
论文目的：saliency detection 和 salient object segmentation本文框架：首先，作者提出a deep multiscale refinement network（MSRNet），并用这个网络分别获得了salient region detection和salient object contour detection。其次，使用MCG方法，计算之前contour
【PSPnet2017】Pyramid Scene Parsing Network
我的博客
10-13 1216
场景解析对于不受限制的开放词汇和多样化的场景来说是一个挑战。在本文中，我们通过我们的金字塔集合模块和提议的金字塔场景解析网络（PSPNet），利用基于不同区域的全局上下文信息的能力。我们的全局先验表示能够有效地在场景解析任务中产生高质量的结果，而PSPNet则为像素级预测提供了一个卓越的框架。所提出的方法在各种数据集上取得了最先进的性能。它在2016年ImageNet场景解析挑战赛、PASCAL VOC 2012基准测试和Cityscapes基准测试中名列第一。
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