基于领域自适应的语义分割（DA-based SS）

最新推荐文章于 2025-07-14 15:44:24 发布
最新推荐文章于 2025-07-14 15:44:24 发布
阅读量2.3k 收藏 13
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： CVPR 2018 自适应 语义分割
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/hairui88/article/details/83692090
该博客详细介绍了域适应(DA)和语义分割(SS)的基础知识，并重点讨论了三篇CVPR和ECCV 2018年关于DA-based SS的论文。这些论文提出了基于结构化输出空间的自适应、全卷积自适应网络以及类平衡自训练的自适应方法，用于改善目标域的语义分割性能。通过对抗训练和自训练策略，解决跨场景分割的挑战。

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

文章目录

1. 预备知识

1.1 域适应 (Domain Adaptation, DA)

领域自适应介绍

1.2 语义分割 (Semantic Segmentation, SS)

语义分割介绍
SS

2. 相关论文

2.1 CVPR 18-Learning to Adapt Structured Output Space for Semantic Segmentation

基于结构化输出空间的自适应语义分割
  1. CVPR 18
最低0.47元/天 解锁文章

200万优质内容无限畅学
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 4107
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。
领域自适应
weixin_57342469的博客
08-16 1913
领域自适应（Domain Adaptation, DA）是迁移学习的一个热门研究方向，它主要关注于如何缩小源领域（source domain）和目标领域（target domain）之间的差异，以便将源领域中的知识有效地迁移到目标领域中。这通常涉及到对源领域和目标领域的数据分布进行建模，并通过特征选择、特征变换、重标定等操作来减小领域间的差异。领域自适应的目标是使模型在目标领域上也能表现出良好的性能，即使目标领域的数据分布与源领域不同。解释一下“领域的数据分布不同”是什么意思？
领域自适应 Domain Adaptation
最新发布
qq_62434791的博客
07-14 408
训练数据集是很丰富的测试数据集是单一的，我们期待因为训练数据有多个领域，模型可以弥补领域之间的差异。当测试数据是复杂的而训练数据是单一的，那么我们可以使用数据增强来使原来的训练数据产生多个领域的数据。利用领域对抗训练，输入的图片各式各样，训练一个特征提取器（让原领域的图片和目标领域的图片尽可能地无差异），要求训练之后的能力是输入一个图片，骗过Domain Classifier（任务是输入的图片分类，是Source还是Target？原领域可能应该认为为0的东西，在新的领域可能被认为是1.
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 2523
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)
领域自适应（Domain adaptation）——源域和目标域并不独立同分布
热门推荐
qq_41652258的博客
11-26 1万+
网上很多大佬的文章都写的很好，我引用了他们的一部分，所以在此列出并感谢各位大佬： https://zhuanlan.zhihu.com/p/21441807 https://blog.youkuaiyun.com/u013841196/article/details/80957057 领域自适应所要解决的问题是：当源域和目标域并不是独立同分布时，经典机器学习会出现过拟合问题，分类器的性能不好。 领域自...
（参考写法）Transformer-Based Visual Segmentation:A Survey
sinat_41942180的博客
11-04 577
视觉分割旨在将图像、视频帧或点云分割为多个片段或组。这种技术具有许多现实世界的应用，如自动驾驶、图像编辑、机器人感知和医学分析。（视觉分割定义+应用举例）在过去的十年里，基于深度学习的方法在这个领域取得了显著的进展。（之前是基于什么发展的）最近，Transformer成为一种基于自注意力机制的神经网络，最初设计用于自然语言处理，在各种视觉处理任务中明显超越了以往的卷积或循环方法。（提出本文要用的方法Transformer）
Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition 论文阅读
qq_43679351的博客
05-18 1371
Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition 论文阅读笔记 语义引导的神经网络在基于骨架的人体动作识别中的应用 论文地址 摘要 基于骨架的人体动作识别因其易于获取人体骨架数据而引起了人们极大的兴趣。近年来，有一种趋势是在不考虑计算效率的情况下，使用非常深入的前馈神经网络来建模关节的三维坐标。本文提出了一种简单有效的语义引导神经网络（SGN）用于基于骨架的动作识别。我们明确地将关节的
EMT-DAVT--基于子空间分布对齐和决策变量转移的多目标多任务优化
qq_41169272的博客
09-16 1297
"Multiobjective Multitasking Optimization With Subspace Distribution Alignment and Decision Variable Transfer", EMT-DAVT--基于子空间分布对齐和决策变量转移的多目标多任务优化
【最优传输论文笔记一】Optimal Transport for Domain Adaptation
m0_60231311的博客
03-24 2926
在本文中，描述了一种基于最优传输的新框架来解决无监督领域自适应问题。我们提出了两种正则化方案来在运输计划的估计过程中对源域中的类结构进行编码，从而强化了同一类的样本必须经历类似变换。并将这种OT正则化框架扩展到半监督域自适应情况，即目标域中几乎没有标签可用的情况。关于计算方面，建议使用条件梯度算法的修改版本，即广义条件梯度分裂，这使该方法能够扩展到真实世界的数据集。最后，我们将所提出的方法应用于合成数据集和现实世界数据集。结果表明，最优运输领域自适应方案往往优于竞争的最先进的方法。
领域自适应:跨领域迁移学习实践
AI天才研究院
03-24 1201
非常感谢您的委托,我很荣幸能够撰写这篇关于"领域自适应:跨领域迁移学习实践"的技术博客文章。作为一位世界级的人工智能专家、程序员、软件架构师和技术畅销书作者,我将以专业、深入、实用的角度全面探讨这一前沿技术领域。 让我们开始吧! 1. 背景介绍 在当今快速发展的人工智能时代,机器学习技术已经广泛应用于各
李宏毅老师-概述领域自适应
weixin_46675905的博客
05-19 790
慢慢来，会更好！ 大家好，我是一个想研究又不会研究的研究生 陪伴大家一起学习成长！ 举一个例子，手写数字识别 但是假设训练资料和测试资料的分布不一样怎么办呢? 比如说训练的时候是黑白的，测试的时候是彩色的 一旦训练和测试分布不一样，那么在测试data上可能坏掉 那么，这种情况就叫做domain shift 相应的，我们就有一门技术来弥补这个不足，那就是domain adaptation 把一个domain（训练）学到的东西用在另一个domain（测试）上 domain shift有很多种可能 下
基于领域自适应的语义分割（Domain Adaptation-based Semantic Segmentation）
一亩高粱
10-20 1万+
AdaptSegNet
【TIP2022】物以类聚：领域自适应分割的类别-发散指导
qq_33290813的博客
07-07 1122
Paper ：https://arxiv.org/pdf/2204.02111目前的无监督域自适应(UDA)模型侧重于通过最小化源域和目标域之间的特征差异来缓解域的偏移，但通常忽略了类混淆问题。在本工作中，我们提出了一种类间分离和类内聚集(ISIA)机制。它鼓励了相同类别之间的跨领域代表性一致性和不同类别之间的差异。通过这种方式，属于相同类别的特征被对齐在一起，可混淆的类别被分开。通过测量每个类别的对齐复杂性，我们设计了一个自适应加权实例匹配(AIM)策略，以进一步优化实例级的自适应。基于我们提出的方法，我
面向语义分割的无源领域自适应
AI速递
04-01 787
面向语义分割的无源领域自适应 Source-Free Domain Adaptation for Semantic Segmentation Y uang Liu , Wei Zhang*, Jun Wang* East China Normal University, Shanghai, China {frankliu624, zhangwei.thu2011, wongjun}@http://gmail.com 无监督领域自适应(UDA)可以解决基于卷积神经网络(CNN)的语义分割方法严重依赖像素级标
跨域自适应语义分割新技术
whaosoft143ai的博客
09-25 2398
通过CKD可以得到优于所有教师模型的学生模型，这个学生模型的权重会用来初始化下一个阶段的DPDB的模型，达到交替训练的目的。从上图可以发现，region level的 DB方法训练出的模型更关注目标的上下文信息而损害一些特征的可判别性（正确分割出火车类但特征分布比较松散），class level的DB方法训练出的模型则更倾向于挖掘目标自身的特性而忽略了目标的上下文信息（有更紧凑的特征分布但完全混淆了火车和公交车）。这种互补的特性引起了我们的兴趣以及进一步的探究。
Domain Adaptation(领域自适应)
weixin_63778889的博客
05-25 1147
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。
La-bOR: 人回路驱动的领域自适应语义分割
该研究论文关注于领域自适应语义分割中的一个重要问题，即如何缩小全监督方法与无监督领域的性能差距。传统上，无监督领域适应(UDA)技术在处理标签丰富的源数据和缺乏标注的目标数据时面临挑战。论文的创新点在于...
评论 1
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