【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
原创 最新推荐文章于 2024-07-01 02:38:21 发布 · 1.6k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#cvpr2019 #论文 #GAN #人工智能

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 2485
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 2466
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 1016
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 5306
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 1027
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
论文笔记：ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation
u013708520的博客
12-15 1525
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。
【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 2028
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，.
论文解读：Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
shY Pa
07-28 3895
论文题目：Taking A Closer Look at Domain ShiftCategory-level Adversaries for Semantics Consistent Domain Adaptation (CVPR2019) 代码地址：https://github.com/RoyalVane/CLAN 论文主要贡献：现有的分割自适应方法没有考虑不同类别的对齐差异，有的类别...
域自适应——Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
f9547064141的博客
11-19 432
以往的域适应方法中，只考虑的全局特征的对齐，会导致两个域的特征在某些情况出现负对齐。 黄色箭头是源域数据在网络中的流向，蓝色是目标域。首先会经过权重共享层，输出两个像素级特征。为了保证这两个像素级特征是网络从不同的方向提取的，在这里引入了LOSS1： 这个损失函数保证了两个输出是不同的。 对于源域，特征1+特征2被当作网络的分割结果，这里有L2： 还有一个域类判别器，它的输入是源域的特征1+特征2和目标域的特征1+特征2。对于目标域，需要维持两个特征的差值，作为局部对齐程度的依据，会产生一个loca.
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...
近期必读的9篇CVPR 2019【域自适应（Domain Adaptation）】相关论文和代码
05-22 1万+
【导读】最近小编推出CVPR2019图卷积网络、CVPR2019生成对抗网络、【可解释性】，CVPR视觉目标跟踪，CVPR视觉问答，医学图像分割，图神经网络的推荐相关论文，反响热烈。最近，Domain Adaptation（域自适应）相关研究非常火热，一部分也是由于GAN、GNN以及其他一些的网络结构的启发，基于Domain Adaptation的工作在今年CVPR 2019上出现了大量的论文。今...
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