[论文笔记] Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation

最新推荐文章于 2022-11-29 00:17:09 发布
最新推荐文章于 2022-11-29 00:17:09 发布
阅读量395 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 Domain Adaptation 文章标签： 论文阅读 计算机视觉
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.csdn.net/weixin_44563093/article/details/127356315

原文链接：https://arxiv.org/abs/2007.09222

github：GitHub - JDAI-CV/FADA: (ECCV 2020) Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation

Motivation

1. 语义分割领域的数据标注通常难以获取。由于数据标注需要大量的时间人力，因此在训练时所使用的训练数据往往难以完美匹配测试时的要求。

作者提出了两种场景，分别为跨城市迁移和真实合成样本迁移。

  • 跨城市迁移：由于不同城市数据因为建筑风格等一系列差异，在用A城市数据训练出的模型，在B城市做测试时可能很难达到理想的效果。
  • 真实合成样本迁移：由于数据标注困难，因此有研究者提出使用计算机合成数据进行训练。如图下图左上角为GTA5游戏的图像。游戏图像是由计算机建模形成，因此很容易获取其标注数据，并且理论上游戏图像数据量是无限的。但同样将合成数据应用到现实真实数据中，效果通常不令人满意。

2. 对于大多数传统方法而言，特征对齐仅仅是在全局上的对齐(perform the alignment from a holistic view)，无

最低0.47元/天 解锁文章

200万优质内容无限畅学
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 2526
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)
2019-2021 文本生成图片 Text To Image（T2I） Synthesis 论文整理
qq_26136211的博客
03-25 4031
参考：文本生成图像！GAN生成对抗网络相关论文大汇总 A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis 介绍了关于GAN生成对抗网络的相关Text-to-Image论文，将其分类为Semantic Enhancement GANs, Resolution Enhancement GANs, Diversity Enhancement GANs, Motion Enhancement GANs四类，
（ECCV2020） A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation 论文笔记
VioletSaber的博客
12-08 871
Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation 论文笔记 paper code 本文针对图像分割问题的无监督领域自适应方法，提出一种对齐条件概率分布的新方法。 本文贡献 提出一种跨领域图像分割新的对抗学习的结构 该结构在类别层面对齐源域和目标域的特征进行对齐 在一些数据集上评估了该方法的优越性 （嗯，就讲故事呗，这三个贡献没啥新颖的东西，很多论文都是这三个（高端点的会加个
Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation(ECCV2020）
weixin_43673376的博客
12-07 1239
文章目录Motivation思路 Motivation         但从题目就知道：类别很重要，细粒度的对抗预适应分割方法。还是讲一个问题，大部分对抗方法是从整体去对齐，并没有考虑class-level的特征对齐，对于语义分割来说，class-level的结构很重要。第二，传统的对抗性方法只追求最大化边缘分布对齐，而忽略了域间语义结构的不一致性（并没有去关注类与类之间结构究竟怎么样，讲白了，就是说每个类别的条件分布也应该对齐）。出发点自然是怎样.
ECCV 2022 Cross-Domain Few-Shot Semantic Segmentation
weixin_53356651的博客
11-29 1763
小样本语义分割目的是只需要少量标注样本就可以分割一个新的class大多数现有的方法都默认基类和新类是来自相同的域外加现实因素的影响：很多领域想要收集大量的有标注的样本是非常困难的因此在现实因素+现有方法缺陷的推动下，paper提出了CD-FSS，想要将meta-knowledge从具有足够训练标签的domain推广到low-resource domain，也就是只有少量训练标签的domain还建立了 CD-FSS 任务的benchmark，并以任务难度测量为特征提出了一种基于……
粒计算深度学习学科交叉
weixin_41905577的博客
06-20 1462
从人类智能到机器实现模型——粒计算理论与方法 paperDeep learning for fine-grained image analysis: A survey，CVPR2019（用于细粒度图像分析的深度学习：调查） paper细粒度图像识别普遍存在类内差异性大（large intra-class variance）和类间差异性小（small inter-class variance）的特点。Bird Species Categorization Using Pose Normalized Deep
【论文汇总】 ECCV 2020 语义分割paper汇总
int_8的博客
10-15 3614
语义分割 segmentation paper@ECCV 2020 ECCV 2020语义分割文章总结 文章目录语义分割 segmentation paper@ECCV 2020前言边缘语义分割1.JSENet: Joint Semantic Segmentation and Edge Detection Network for 3D Point Clouds2.Improving Semantic Segmentation via Decoupled Body and Edge Supervision弱
CVF2020邻域自适应/语义分割：FDA: Fourier Domain Adaptation for Semantic SegmentationFDA：用于语义分割的傅立叶域自适应算法
ssshyeong的博客
04-19 4380
我们提出了一个简单的领域对齐方法，它不需要任何学习，只需要一个简单的傅里叶变换及其逆变换，可以很容易地集成到一个学习系统中，将无监督领域适应转换为半监督学习。当集成到一个相对标准的语义分割模型中时，它在当前的基准测试中实现了最先进的性能。
ECCV2020语义分割论文_神经网络_深度学习_语义分割_
10-03
2. **Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation** 在跨域语义分割中，这篇论文提出了一个精细的对抗性方法，强调了不同类别的贡献差异。通过对抗训练，模型能够...
域自适应图像分割(domain adaptation)
ReaFly的博客
08-02 8429
domain adaptation 主要包括image-level 和 feature-level 两个层面的适配， 其中，image-level多依赖GAN进行转化，feature-level多依赖loss损失函数，或者对抗思想来约束两个domain的特征 1. 《Patch-based Output Space Adversarial Learning for Joint Optic Disc...
fine-grained-segmentation-networks:ICCV论文的代码“精细划分的细分网络
03-11
细粒度的细分网络：自我监督的细分以改善长期的视觉定位 这是在“细粒度细分网络：自我监督的细分以改善长期视觉本地化”（ ）中发布的工作的实现。 资源 本文使用的数据集发布在visuallocalization.net 训练有素的模型 安装 提供了一个Dockerfile，可使用此文件构建Docker映像，或参考文件中列出的要求。 此外，还提供了requirements.txt。 用法 下载城市景观和枫叶远景 使用/utils/convert_vistas_to_cityscapes.py为Vistas图像创建城市景观类注释 下载对应数据集 下载与对应数据集关联的图像（数据集自述文件中的说明） 创建一个global_otps.json并设置路径（请参阅global_opts_example.json） 从上面的训练有素的模型链接中获取基本模型，将“基本网络”文件夹放置在global_o
ECCV 2020 论文大盘点-语义分割篇
我爱计算机视觉
10-03 2946
最近我们在总结ECCV 2020 的论文，分割类论文总计 93 篇，语义分割几乎占据半壁江山。本文包含43篇语义分割（Semantic Segmentation）相关论文，其中 or...
【论文推送】跨域学习、跨域小样本学习Cross-Domain(持续更新...)
诸葛灬孔暗
08-13 4743
深度神经网络(DNN)的泛化性能相当依赖于训练集的规模(size)和丰富性(variations). 但是在很多场景下无法搜集到如此多的数据, 如皮肤病, 卫星图片(飞机残骸).尽管每种特殊的情况发生的概率很低, 人为处理的成本也很低, 但当我们有大量的”特殊情况”时, 问题就变得复杂了起来. 如何利用一个或一些成熟域上的先验知识，去解决另一个样缺少样本域上的复杂任务是跨域少样本学习 (Cross-Domain Few Shot Learning)研究的主要问题。 本文主要记录该领...
ECCV2020图像分割开源论文合集
3D视觉工坊
08-31 2656
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达导读本文整理了ECCV2020目前开源的分割方向的全部论文，涵盖实例分割、语义分割、点云分割、目标跟踪与分割以及视频目标分割等多个...
ECCV 2020 语义分割论文大盘点（38篇论文）
阿木寺的博客
09-25 3796
作者：CV Daily | 编辑：Amusi Date：2020-09-25 来源：计算机视觉Daily微信公众号（系投稿） 原文：ECCV 2020 语义分割论文大盘点（38篇论文） 前言 距离ECCV 2020 会议结束有段时间了，但其中的论文大多是目前的SOTA，所以非常值得大家花时间阅读学习！ 计算机视觉Daily将正式系列整理 ECCV 2020的大盘点工作，本文为第二篇：语义分割方向。第一篇是目标检测系列，详见：ECCV 2020 目标检测论文大盘点（49篇论文） 本文主要包含：一般的2D语.
ECCV 2020 的对抗相关论文（对抗生成、对抗攻击）
idol24的博客
07-25 2238
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！戳我，查看GAN的系列专辑~！本文汇总了ECCV 2020上部分对抗相关论文，后续公众号会随缘...
CVPR2020 有关Cross Domain论文阅读总结与思考
weixin_42279314的博客
03-16 3271
有关CVPR2020中Cross Domain论文阅读总结与思考 论文总结 论文总结 Progressive Adversarial Networks for Fine-Grained Domain Adaptation 作者：Sinan Wang, Xinyang Chen, Yunbo Wang, Mingsheng Long, and Jianmin Wang 所解决的问题是在Fine-Grained中的跨域分类(Cross Domain) 解决问题的出发点：为使源域与目标域的数据分布能趋
行人重识别论文（四）--EANet: Enhancing Alignment for Cross-Domain Person Re-identification
时间虚掷的孤岛
01-05 7800
论文地址：https://arxiv.org/abs/1812.11369 代码实现：pytorch 目录 主要贡献： 摘要 1. Introduction 2. Related Work 3. Method 3.1. ReID Model with Regional Pooling Embedding layer（嵌入层） 交叉损失熵代价函数 3.2. Part Align...
pyramid attention network for semantic segmentation读书笔记·
RRZS的博客
07-04 4521
这是一篇semantic segmentation的文章，与之前的segmentation最大的区别在于作者运用没有使用ASPP()结构去提取特征，而采用了FPA(Feature Pyramid Attention)和GAU（Global attention upsample），即在卷积的同时引入了attention的机制（作者认为高层的信息可以对低层的信息进行指导）。个人认为attention必...
Bridging VLM and KMP: Enabling Fine-grained robotic manipulation via Semantic Keypoints Representation
最新发布
03-22
Execute fine-grained robotic manipulation based on VLM output and KMP plan. Args: vlm_output (dict): Output from the visual language model containing semantic keypoints. kmp_plan (list): ...
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