TIP 2025 | 通过多粒度置信度对齐优化伪标签的无监督跨域目标检测

于 2025-04-03 09:30:00 发布
阅读量141 收藏
点赞数 3
分类专栏： 计算机顶会顶刊论文解读 文章标签： 目标检测 人工智能 计算机视觉 TIP 论文解读 计算机顶刊
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/qq_42722197/article/details/145401463
版权

论文信息

Refining Pseudo Labeling via Multi-Granularity Confidence Alignment for Unsupervised Cross Domain Object Detection
通过多粒度置信度对齐优化伪标签的无监督跨域目标检测
作者：Jiangming Chen, Li Liu, Wanxia Deng, Zhen Liu, Yu Liu, Yingmei Wei, and Yongxiang Liu

论文创新点

  1. 多粒度置信度对齐框架：论文提出了一个名为多粒度置信度对齐Mean Teacher（MGCAMT）的通用框架，用于无监督跨域目标检测。该框架通过同时缓解类别、实例和图像级别的置信度错位问题，显著提升了伪标签的质量，从而促进了师生互学习的效果。
了解本专栏 订阅专栏 解锁全文
域适应目标检测算法笔记汇总
qq_50001789的博客
06-25 1272
域适应目标检测算法笔记汇总
巨详细解析！YOLO-G：用于跨域目标检测的改进YOLO（Plos One 2023）
m0_63294504的博客
10-26 3699
为了缓解跨域目标检测问题，本文分析了主流算法模型的特点，在YOLOV5的基础上提出了一种简单高效的YOLO-G模型。通过引入特征对齐分支和对抗训练，提高了主干模型在提取目标特征方面的一致性，增强了模型的泛化性，实现了更好的跨域检测能力。我们还组织了9组跨域对比实验，本文提出的YOLO-G模型达到了超越一系列SOTA模型的精度，表明其在跨域目标检测任务中具有更好的应用前景。
ECCV 2024 | 跨域小样本目标检测CD-FSOD新数据集和CD-ViTO新方法
阿木寺的博客
09-28 1754
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba/多模态/扩散】交流群添加微信号：CVer111，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！作者单位：复旦大学，苏黎世联邦理工学院，INSAIT，东南大学，BOE科技论文链接：ht...
【ICLR2022】DECOUPLED ADAPTATION FOR CROSS-DOMAIN OBJECT DETECTION 解耦自适应用于跨域目标检测
xy52240915的博客
05-06 2940
域适应目标检测方法
跨域弱监督目标检测：DETR with Additional Global Aggregation for Cross-domain Weakly Supervised Object Detectio
2301_77854234的博客
06-24 431
4）方法：作者提出了DETR with additional Global Aggregation (DETR-GA)，一种CDWSOD检测器，它同时进行“实例级别+图像级别”的预测，并利用“强监督+弱监督”。5）结果：在四个流行的跨域基准测试中进行了大量实验，结果表明DETR-GA显著提高了CSWSOD，并推动了技术的发展（例如，PASCAL VOC --> Clipart_all数据集的mAP从29.0%提高到了79.4%）。作者单位：Beihang University;源码学习见专栏置顶～
基于渐进多源域迁移的无监督跨域目标检测.docx
02-23
基于渐进多源域迁移的无监督跨域目标检测 本文研究的主要目的是解决跨域目标检测问题，旨在提高检测模型在不同场景下的适应能力。当前，目标检测方法主要分为两类：两阶段检测器和单阶段检测器。虽然这些检测方法...
2021-05-24 阅读笔记-无标签跨域目标检测-伪标签筛选
GerinT的博客
05-24 1097
两篇文章如下： Unsupervised Object Detection with Scene-adaptive Concept Learning Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection 两篇文章都来自于海康威视，还有几位重复作者，并且主题同样是着眼于如何利用detector trained from source data在target d
CVPR2022：通过目标感知双分支蒸馏的跨域目标检测
m0_63294504的博客
10-14 1492
跨域目标检测是一项现实且具有挑战性的任务。由于数据分布的大幅偏移和目标域数据缺乏详细的标注信息，跨域目标检测性能往往不尽人意。为了解决这个问题，作者提出了一种新颖的目标感知双分支蒸馏（TDD）框架。通过将源域和目标域的检测分支集成在统一的师生学习方案中，可以有效地减少域漂移，并产生可靠的监督。作者对跨域目标检测中的许多广泛使用的场景进行了广泛的实验，结果表明，作者的 TDD 在所有基准测试中都显著优于最先进的方法。
ICML2022：基于概率教师学习的跨域自适应目标检测
m0_63294504的博客
10-09 1736
在本文中，作者提出了一个简单而有效的框架，称为概率教师(PT,Probabilistic Teacher)，旨在从逐渐发展的教师中捕捉未标记目标数据的不确定性，并以互惠互利的方式指导学生的学习。该方法在多个基于源的/无源的 UDA-OD 基准测试中取得了最先进的结果，并大幅超越了以前的方法。
YOLOv8改进解析 | UniRepLknet在目标检测中的应用【附保姆级代码】
一键难忘的博客
10-06 2553
UniRepLknet结合了多种先进的特征提取技术，旨在提高目标检测模型在复杂场景下的表现。该网络基于深度学习的层次化结构，通过引入残差连接和注意力机制，增强了特征的表达能力。YOLOv8 + UniRepLknet的结合展现了在目标检测任务中强大的潜力。随着技术的不断进步，未来将有更多的改进和创新出现。在数据集、模型架构、训练方法等方面的进一步探索，将推动目标检测技术向更高的水平发展。不断优化的算法和应用将为各个行业带来更多的机遇和挑战。
探索Cross-Domain Detection：一款强大的跨域检测工具
gitblog_00091的博客
04-20 987
探索Cross-Domain Detection：一款强大的跨域检测工具 去发现同类优质开源项目:https://gitcode.com/ 在Web开发中，跨域问题是一个常见的挑战，它限制了不同源之间的数据交互。为了解决这个问题，开发者Naoto0804创建了一个名为的项目，这是一个简单而实用的JavaScript库，旨在帮助开发者快速检测和处理跨域限制。 项目简介 Cross-Domain D...
SSDA-YOLO：新的YOLOv5改进方法——用于跨域目标检测的半监督域自适应YOLO方法
m0_70388905的博客
11-13 5749
域自适应目标检测（DAOD）旨在缓解跨域差异导致的传输性能下降。然而，大多数现有的DAOD方法由计算密集的两级检测器主导，这不是工业应用的首选。本文提出了一种新的基于半监督域自适应YOLO（SSDA-YOLO）的方法，通过将紧凑型单级检测器YOLOv5与域自适应相结合来提高跨域检测性能。
MS-DAYOLO：跨域目标检测的革命性突破
gitblog_00311的博客
09-14 687
MS-DAYOLO：跨域目标检测的革命性突破 MS-DAYOLO Multiscale Domain Adaptive YOLO for Cross-Domain Object Detection 项目地址: https://gi...
探索跨域对象检测的新境界：SSDA-YOLO深度解析与应用
gitblog_00063的博客
06-19 1312
探索跨域对象检测的新境界：SSDA-YOLO深度解析与应用 去发现同类优质开源项目:https://gitcode.com/ 在当今的计算机视觉领域，物体识别与定位是一项关键技术，尤其是在快速变化的环境和多样化的数据场景中。针对这一挑战，我们迎来了一个创新性的解决方案——SSDA-YOLO（半监督领域适应性YOLO）。这项技术以论文的形式被《Computer Vision and Image Un...
论文速读：通过目标感知双分支蒸馏进行跨域目标检测（CVPR2022）
m0_63294504的博客
10-13 1309
跨域目标检测是一项现实且具有挑战性的任务。由于数据分布的大幅偏移和目标域数据缺乏详细的标注信息，跨域目标检测性能往往不尽人意。为了解决这个问题，作者提出了一种新颖的目标感知双分支蒸馏（TDD）框架。通过将源域和目标域的检测分支集成在统一的师生学习方案中，可以有效地减少域漂移，并产生可靠的监督。作者对跨域目标检测中的许多广泛使用的场景进行了广泛的实验，结果表明，作者的 TDD 在所有基准测试中都显著优于最先进的方法。
全面复现SSDA-YOLO跨域目标检测
最新发布
weixin_45208996的博客
11-26 1462
SSDA-YOLO需要很长时间，效果也很好，这里全面复现了SSDA-YOLO，在我的数据集上提点明显
无监督跨域目标检测的语义一致性知识转移
qq_54192524的博客
11-22 1832
3. 本文方法： 提出了一种名为语义一致性知识转移（Semantic Consistency Knowledge Transfer, SCKT）的方法，专注于相似语义信息，实现细粒度对应尺度域自适应。2. 相关知识挖掘（RKM）模块： 包括特征相关学习（FCL）和一致性知识学习（CKL），利用生成的语义一致性特征捕获不同级别的图像细节和语义信息，实现多级别对应域对齐。2. 现有方法的不足： 现有方法忽略了图像间的语义一致性，导致特征学习中知识转移不正确，降低了自适应性能。· 时间：2024年8月13日。
CVPR 2020 | 北航提出：通过由粗到精特征自适应进行跨域目标检测，表现SOTA！
04-13 3453
性能优于PDA、MDA和SWDA等网络。 作者团队：北京航空航天大学 1 引言 近年来，在基于深度学习的目标检测中见证了巨大的进步。但是，由于domain shift问题，将现成的检测器应用于未知的域会导致性能显著下降。为了解决这个问题，本文提出了一种新颖的从粗到精的特征自适应方法来进行跨域目标检测。 在粗粒度阶段，与文献中使用的粗糙图像级或实例级特征对齐不同，...
多粒度对齐域自适应：提升目标检测性能的新框架
多粒度对齐域自适应目标检测是一个融合了深度学习、多尺度特征处理和无监督学习的关键技术，它为解决目标检测任务在跨域迁移中的问题提供了一个新的、强大的工具，有望在未来推动对象检测领域的研究发展。
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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