- 博客(5)
- 收藏
- 关注
RSS订阅原创 【无标题】
具体来说，在条件分布对齐后，利用源域标签分布和目标域标签分布，在训练阶段和推理阶段调整分类器的预测。源域的标签分布很容易就可以得到，作者通过模型的预测和源域像素级分布先验来估计目标域的标签分布。label shift：源域与目标域的标签分布不一致，比如一些类在源域中出现的很频繁，但是在目标域中出现的很少，这样就导致了分类器对于一些类的分类结果更加偏向于源域。首先要解决条件分布对齐的问题，在条件分布对齐的基础上，进行分类器纠正，分类器纠正需要得到目标域的标签分布，作者在3.4介绍了得到目标域标签分布的方法。
2023-01-26 14:30:34
476
原创 SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation
语义分割 迁移学习 域适应
2022-12-01 10:38:09
1354
2
转载 DAFormer: Improving Network Architectures and Training Strategies for Domain-Adaptive Semantic Segme
语义分割 迁移学习
2022-11-29 19:39:25
1067
原创 HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentation
域自适应语义分割 UDA 无监督学习 迁移学习
2022-11-24 20:16:08
1986
1
原创 Deliberated Domain Bridging for Domain Adaptive Semantic Segmentation
语义分割 迁移学习 论文笔记
2022-11-23 16:13:53
601
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