2023-CVPR-Semi-Supervised Domain Adaptation with Source Label Adaptation

最新推荐文章于 2026-01-01 20:19:59 发布
原创 最新推荐文章于 2026-01-01 20:19:59 发布 · 414 阅读 · 0 ·
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：

#计算机视觉 #人工智能 #机器学习

本文探讨了在半监督域自适应中，如何利用少量有标签目标域数据和大量无标签数据，通过特征映射和伪标签分配对齐目标域。提出了一种名为SSDA的模型，从目标视角设计标签净化组件，以修正源域的噪声标签并重新计算损失。

一、研究背景
半监督域自适应定义：少量有标签目标域数据，大量无标签目标域数据。
半监督域自适应方法：利用特征空间映射、伪标签分配，将目标域向源域对齐。

二、研究目标
纠正有噪声的源域标签。

三、研究动机
以源域为参照的方法会将目标域数据对齐到错误的源域类别。

四、技术路线
提出源自适应范式，将源域数据视为目标数据的噪声版本，令源域数据去适应目标数据。
提出了一个SSDA模型，从目标角度设计的标签净化组件，动态地清理标签噪声。
在这里插入图片描述

  • 对原始源域标签进行修正
    在这里插入图片描述
  • 用修正标签进行损失计算
    在这里插入图片描述
【域适应九】2023 CVPR - Semi-Supervised Domain Adaptation with Source Label Adaptation
m0_60231311的博客
10-10 1361
半监督域自适应（SSDA）涉及学习将看不见的目标数据与一些标记和大量未标记的目标数据以及来自相关域的许多标记源数据进行分类。当前的SSDA方法通常旨在通过特征空间映射和伪标签分配将目标数据与标记的源数据对齐。然而，这种面向源的模型有时会将目标数据与错误类的源数据对齐，从而降低分类性能。本文提出了一种新的源自适应范式，该范式调整源数据以匹配目标数据。关键思想是将源数据视为理想目标数据的噪声标记版本。然后，本文提出了一个SSDA模型，该模型借助于从目标角度设计的强大的清洁器组件来动态地清除标签噪声。
【论文笔记】Semi-supervised Domain Adaptation via Minimax Entropy(ICCV 2019)
weixin_42126945的博客
04-14 4583
论文：https://arxiv.org/abs/1904.06487v5 代码：http://cs-people.bu.edu/keisaito/research/MME.html 1.介绍 2.方法 实验设定：有标签源域图像Ds，有标签目标域图像Dt，无标签目标域图像Du，在Ds、Dt、Du上训练，在Du上评估测试。 2.1 基于相似度的网络架构 特征提取器F输出的特征，先经过L2norm，然后用一个线性层W，再用温度法乘以1/T进行归一化，然后再传到softmax。这里认为现行层的参数W可以用作为每一
论文笔记：Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation
msy1412的博客
03-18 1774
Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation 最近在看CVPR2021的Domain Adaptation的论文 概括 本文利用一个带标签的源数据集与一个含少量标签的目标数据集，训练一个基于区域尺度混合数据的“老师”模型和一个基于样本尺度混合数据的“老师”模型，然后共同指导训练一个“学生”模型，由“学生”输出未含标签图片的“虚假”标签，生成的结果再加到训练集中训练。
CVPR2021-Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentati
ssshyeong的博客
02-07 3651
CVPR2021半监督图像语义分割，为了解决SSDA的任务，提出了一种**基于双层域混合**的新框架。拟议的框架包括三个阶段。首先，提出了两种数据混合方法，分别在区域级和样本级减小域间距。基于两个层次的混合数据，我们可以分别从整体和局部的角度获得两个互补的领域混合教师。然后，通过从这两位老师那里提取知识来学习一个学生模型。最后，以自我培训的方式生成未标记数据的伪标签，用于另外几轮教师培训。
笔记：Semi-supervised Domain Adaptation with Subspace Learning for Visual Recognition
choubaguaihailan的博客
05-06 1345
针对视觉识别的基于子空间学习的半监督域适应Semi-supervised Domain Adaptation with Subspace Learning for Visual RecognitionYvonne-fan Introduction Algorithm Optimization Evaluation
CVPR2024迁移学习《Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias》
qq_46981910的博客
06-13 1131
本文介绍了一种名为“Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias”（通用半监督领域适应：通过减轻公共类别偏差）的方法。该方法旨在通过减轻公共类别偏差来提高在目标领域（部分标记）上的模型性能，同时处理源领域和目标领域的标签空间可能不完全匹配的问题。作者提出了一种新的先验引导的伪标签细化策略，以减少由于伪标签传播导致的公共类别偏差问题，并在多个基准数据集上验证了其有效性，建立了新的基准。
【CVPR 2021】Unsupervised Multi-Source Domain Adaptation for Person Re-Identification (UMSDA)
Joselynzhao
10-21 2667
方法概述 1，文章将多源概念引入到了无监督域适应行人重识别当中。 2，文章提出了一种修订域特定批归一化模块(RDSBN), 可以同时减少域特定信息和增加人物特征的可区别性。 3，我们基于多域信息融合（MDIF）开发了图神经网络（GCN），以此来拉近特征空间中的多域。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Unsupervised Multi.
笔记：Semi-supervised domain adaptation with subspace learning for visual recognition (cvpr15)
easylifer的专栏
05-08 3353
本文基于子空间学习提出了一种半监督的域自适应框架（SDASL）。
【论文精读】Semi-supervised Medical Image Segmentation through Dual-task Consistency
weixin_45648030的博客
07-07 3958
CVPR 2021 基于双任务一致性的半监督医学图像分割代码：GitHub - HiLab-git/DTC: Semi-supervised Medical Image Segmentation through Dual-task Consistency 基于深度学习的半监督学习(SSL)算法在医学图像分割方面取得了很有前景的结果，可以通过利用未标记的数据来减轻医生昂贵的注释。然而，文献中现有的SSL算法大多倾向于通过扰动网络或数据来regularize模型训练。观察到多任务/双任务学习关注具
【CVPR】Enhancing 3D Object Detection with 2D Detection-Guided Query Anchors
Hali_Botebie的博客
12-30 761
从2D检测中推荐3D query，StreamPETR 的RPN 头的TopK也是这个意思啊。
计算机视觉全栈宝典：从BEV感知到边缘部署（附15套实战方案）
2403_88718395的博客
12-28 888
从 1981 年的 Canny 边缘检测到 2025 年的 BEV 三维感知，计算机视觉用四十年时间实现了从 “看到像素” 到 “看懂世界” 的蜕变。它不仅是 AI 技术的核心分支，更是智能时代的 “视觉基础设施”—— 重塑工业制造的质检流程，革新医疗健康的诊断方式，推动自动驾驶的量产落地，赋能千行百业的数字化转型。
基于MATLAB的HSV颜色特征杂草图像识别系统设计与实现
Dev7z的博客
12-26 311
随着农业信息化和智能化的发展，农田杂草的快速、准确识别对提高作物产量和实现精准农业具有重要意义。针对传统人工识别效率低、主观性强的问题，本文设计并实现了一种基于 MATLAB 的 HSV 颜色特征杂草图像识别系统。
目标跟踪：在动态视频中“锁定”你
maqh_csdn的博客
12-29 893
目标跟踪不是每一帧独立的“判断题”，而是跨越时间的“连续推理” 。它通过运动预测与外观记忆对抗遮挡与形变，在混乱的动态世界中实现目标的“身份锁定”，完成从静态识别到时序关联的认知进化。
计算机视觉Transformer-2 目标检测
oldsummer
12-28 1081
本文系统介绍了基于Transformer的目标检测模型发展历程。首先分析DETR如何通过集合预测思想替代传统CNN检测方法，详细解析其Encoder特征编码和Decoder目标解码机制，以及匈牙利算法实现的损失计算。随后探讨Deformable DETR的两大改进：可分离注意力机制降低计算复杂度，多尺度特征融合提升小目标检测效果。最后介绍RT-DETR的创新设计，包括两阶段查询机制、高层特征注意力计算和多尺度特征融合模块。这些工作展现了Transformer在目标检测领域的优势与发展方向。
计算机视觉处理（OpenCV基础教学（五）：形态学变换（腐蚀与膨胀））
2302_77468438的博客
12-27 791
形态学变换是一种基于形状的图像处理技术，主要应用于二值图像。它通过移动一个称为"核"或"结构化元素"的小窗口，对图像进行局部操作，从而提取图像中有用的形状信息。问题推荐操作参数建议去除小噪声点开运算小核（3×3或5×5）填补内部孔洞闭运算小到中型核分离相连物体腐蚀根据连接处大小选择核连接分离物体膨胀根据间隙大小选择核提取物体边界形态学梯度小核（3×3）平滑物体边界先开运算后闭运算小到中型核。
物流场景中的人员与设备目标检测-YOLOV8无NMS改进方案详解
qwerasda123852的博客
12-28 792
本文提出了一种针对物流场景的YOLOV8无NMS改进方案。针对传统YOLOV8在高密度目标检测中的局限性，该方案通过改进检测头结构、引入分阶段置信度计算和自适应锚框机制，实现了无需NMS步骤的高效目标检测。核心创新包括：1)多阶段特征融合逐步细化检测结果；2)改进的置信度排序机制，使输出结果自动满足排序要求；3)针对物流场景优化的自适应锚框机制。实验表明，该方法在保持检测精度的同时显著提升了实时性能，特别适合物流环境中密集人员和设备的检测需求。
关于Fast R-CNN中提到“共享卷积计算”和“空间金字塔池化”这两个紧密相连、推动目标检测发展的核心概念——解决R-CNN致命问题的钥匙
最新发布
qq_55433305的博客
01-01 584
正是“共享卷积计算”与“RoI池化”的完美结合，才使得Fast R-CNN能够：极高效地生成图像特征（一次前向传播）。极灵活地处理任意数量和尺寸的候选区域。最终实现端到端的联合训练，在速度和精度上全面超越了R-CNN，奠定了现代目标检测的基石。
目标检测训练常见问题排查清单
人工智能全栈工程师 | 智能算法研发与实战落地​专注于人工智能算法研究、代码实现与工程落地，提供从模型设计到部署应用的全流程解决方案。
12-31 772
目标检测训练常见问题排查清单涵盖精度、速度和部署三大类问题。精度问题包括过拟合（数据不足/增强不够）、欠拟合（学习率低/模型简单）、小目标检测差（特征丢失/锚框不匹配）和正负样本不平衡（少数类检测差），解决方案涉及数据增强、模型调整和损失优化。速度问题主要是训练慢（batch size小/加载慢）和推理慢（模型复杂/输入过大），可通过增大batch size、混合精度训练和模型轻量化优化。部署问题包括导出报错（算子不支持/版本冲突）和量化精度下降（校准集不足），需替换算子、固定输入尺寸和优化量化策略。适用于
论文解读--FocalFormer3D : Focusing on Hard Instance for 3D Object Detection
奔袭的算法工程师
12-31 712
3D物体检测是一项重要但具有挑战性的感知任务。近年来的先进3D物体检测器主要依赖于鸟瞰图（BEV）表示[1–3]，其中来自多种传感器的特征被聚合以在自车坐标空间中构建统一表示。关于基于BEV的3D检测，已有丰富且不断增长的研究文献，包括多模态融合[4–10]、第二阶段优化（表面点池化[3]、RoIPool[11–14]以及跨注意力模块[4, 15]）。尽管付出了巨大努力，但针对由遮挡物和杂乱背景引起的漏检或未检测对象的明确探索仍然有限。漏检在自动驾驶中尤其令人担忧，因为它会导致预测和规划系统中信息缺失。
自监督单眼深度估计的不确定性研究-CVPR 2020
他们的研究论文《On the uncertainty of self-supervised monocular depth estimation》在CVPR 2020会议上发表。 6. Python编程语言: - Python是一种广泛应用于人工智能和机器学习领域的编程语言，由于其简洁易懂...
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

打赏作者

二苏旧局吖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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