stdleohao的博客

取消位置编码，使用简单的解码器

我们提出了一种既实用又高精度的语义分割领域自适应方法。与以前的工作相比，我们放弃使用计算涉及的对话主要的目标，网络的集成和风格的转移。相反，我们使用了标准的数据增强技术——光度噪声、翻转和缩放——并确保语义预测的一致性跨这些图像转换。我们在一个在协同进化的伪标签上训练的轻量级自监督框架中开发了这一原则，而不需要繁琐的额外训练回合s.从从业者的角度来看，训练很简单，我们的方法是非常有效的。我们实现了最先进的分割精度的适应，包括两者都可以跨越不同的主干架构和自适应场景的选择

2021语义分割、域适应、无监督

Self-supervised Augmentation Consistency for Adapting Semantic SegmentationAbstract目的pratical and highly accurate；实用并且高精度之前的方法adversarial objectives,networkensemblesstyle transfer我们的方法标准的数据增强 – photometric noise, flipping and scaling并且确保在这些图

2.Semantic Segmentation with Generative ModelsAbstract现状减少训练对人工标注数据集的依赖，用有限的标记数据达到很强的泛化能力，这是半监督的目标。创新提出一个使用生成图像和标签的生成性模型，来进行像素级别的区分任务方法训练生成对抗网络：联合图像标签分布，用大量无标签图像补偿少标签的样本在SyleGAN2网络上构建框架，加强标签合成分支在测试时的图像标注，通过编码网络和测试时优化器，然后从推理嵌入中生成标签总结在医疗图像分

Anti-aliasing Semantic Reconstruction for Few-Shot Semantic SegmentationAbstract现状经过充分训练数据的特征学习，用少量样本去表示新类，少样本的语义分割取得了令人鼓舞的进展问题特征共享机制，不可避免的在具有相似语义组成理论的新类之间造成语义混淆创新本文里，我们提出了将少样本的分割问题视为语义重建问题，将基本类的特征转化成一系列的基本向量，并张成类级别的语义空间，用于新类重建方法引入对比损失，最大化向