CV中domain adaptation领域自适应问题
文章目录
- Reference3(检测、分割、DLOW数据生成)
- 1. Domain Adaptive Faster R-CNN for Object Detection in the Wild, in CVPR, 2018
- 2. ROAD-NET: Reality Oriented ADaptation for Semantic Segmentation for Urban Scenes, in, CVPR, 2018
- 3. DLOW: Domain Flow for Adaptation and Generalization, in CVPR, 2019(Oral)
- 一、大纲 李文
- 二、CV应用的挑战及解决方案:监控、自动驾驶、机器人、电商
- 目前的解决方案
- 三、机器学习方法分析
- ML的模型基于独立同分布的假设
- 域自适应
- 四、定义 Domain adaptation 问题,数学描述
- 侠义的Transfer L是cross-task
- Domain adaptation是S有label和T没有label
- 五、解决Domain transfer key point,解决S和D的数据集的分布距离差异(散度、wd推土机D)
- 方案一:Feature-Level-通过g(x)的分布转换进行转换 例如[TCA杨强](https://blog.csdn.net/weixin_44523062/article/details/105881726)
- 方案二:CNN based方法前向的时候BN:AdaBN,反向方法:增加不同的loss方法:DAN,JAN,[GRL](http://m.elecfans.com/article/845899.html)
- 方案三:instance-level方法:实例级别方法增加g(x)使Ps(x)*g(x) = Pt(x):KMM,DA-SVM
- 方案四:Deep Methods: Transductive DA, Associative DA
- 方案五:GAN对抗学习使s和t趋于同分布:将S和T经过Generator映射到特征空间再用D进行分类,GD对抗,使source和target数据分布趋于同分布
- ML和CV处理Domain Transfer目标并非一个算法解决同一领域的所有问题,解决的是实现数据尽量同分布问题
- 六、目标检测中的Domain Adaptive(游戏侠盗猎车场景的目标检测容易获取label到真实场景没有标注的数据)实例level,并非语义(image level)
- 检测Faster RNN
- ==Key idea域适应FasterRCNN 方法==
- 在RPN阶段进行域转换
- ==Key idea域适应Faster RCNN 实现pipeline:加GRL层==
- DA FasterRCNN实验结果(游戏场景到真实场景)
- DA FasterRCNN实验结果(真实场景到真实场景=不同城市camera)Kitty==》cityscapes
- DA FasterRCNN实验结果(天气变换)
- 进一步的工作发展,物体尺度
- ROAD-NET分空间(块)进行卷积 2018cvpr
- 七、Domian Flow for Adaptation and Generalization
- Adaptation? Or Generalization?
- Domain flow: 0-1 Domain 转换中间的插值Intermediate Domain
- 八、Domain Flow 用于分割实验
- 九、总结
- 十 、Far future
- 十一 、合作者
Reference3(检测、分割、DLOW数据生成)
1. Domain Adaptive Faster R-CNN for Object Detection in the Wild, in CVPR, 2018
2. ROAD-NET: Reality Oriented ADaptation for Semantic Segmentation for Urban Scenes, in, CVPR, 2018
3. DLOW: Domain Flow for Adaptation and Generalization, in CVPR, 2019(Oral)
一、大纲 李文
二、CV应用的挑战及解决方案:监控、自动驾驶、机器人、电商
目前的解决方案
三、机器学习方法分析
ML的模型基于独立同分布的假设
域自适应
四、定义 Domain adaptation 问题,数学描述
侠义的Transfer L是cross-task
Domain adaptation是S有label和T没有label
五、解决Domain transfer key point,解决S和D的数据集的分布距离差异(散度、wd推土机D)
方案一:Feature-Level-通过g(x)的分布转换进行转换 例如TCA杨强
方案二:CNN based方法前向的时候BN:AdaBN,反向方法:增加不同的loss方法:DAN,JAN,GRL
方案三:instance-level方法:实例级别方法增加g(x)使Ps(x)*g(x) = Pt(x):KMM,DA-SVM
方案四:Deep Methods: Transductive DA, Associative DA
方案五:GAN对抗学习使s和t趋于同分布:将S和T经过Generator映射到特征空间再用D进行分类,GD对抗,使source和target数据分布趋于同分布
ML和CV处理Domain Transfer目标并非一个算法解决同一领域的所有问题,解决的是实现数据尽量同分布问题
六、目标检测中的Domain Adaptive(游戏侠盗猎车场景的目标检测容易获取label到真实场景没有标注的数据)实例level,并非语义(image level)
检测Faster RNN
Key idea域适应FasterRCNN 方法
在RPN阶段进行域转换
Key idea域适应Faster RCNN 实现pipeline:加GRL层
GRL解析
DA FasterRCNN实验结果(游戏场景到真实场景)
DA FasterRCNN实验结果(真实场景到真实场景=不同城市camera)Kitty==》cityscapes
DA FasterRCNN实验结果(天气变换)
进一步的工作发展,物体尺度
ROAD-NET分空间(块)进行卷积 2018cvpr
七、Domian Flow for Adaptation and Generalization
Adaptation? Or Generalization?
Domain flow: 0-1 Domain 转换中间的插值Intermediate Domain
八、Domain Flow 用于分割实验
九、总结
十 、Far future
十一 、合作者
CV中domain adaptation领域自适应问题相关推荐
- Domain Adaption 领域自适应
定义(from Wiki): Domain Adaption是transfer leanring(迁移学习)中很重要的一项内容.主要目的是将具有不同分布的(data distribution)的具有标 ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
- 无源领域自适应:Source Hypothesis Transfer for Unsupervised Domain Adaptation
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adap ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 反向传播的无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址: http://proceedings.mlr.pre ...
- Domain Adaptation(领域自适应,MMD,DANN)
Domain Adaptation 现有深度学习模型都不具有普适性,即在某个数据集上训练的结果只能在某个领域中有效,而很难迁移到其他的场景中,因此出现了迁移学习这一领域.其目标就是将原数据域(源域,s ...
- 语义分割-CyCADA: Cycle-Consistent Adversarial Domain Adaptation.循环一致对抗领域自适应
CyCADA: Cycle-Consistent Adversarial Domain Adaptation. 0.摘要 1.概述 2.相关工作 3.循环一致性对抗领域自适应 4.实验 4.1.数字数 ...
- 半监督领域自适应之CCSA--Unified Deep Supervised Domain Adaptation and Generalization
文章目录 介绍 论文和实现 模型架构 介绍 Unsupervised domain adaptation (UDA)无监督领域自适应不需要目标域任何标签数据,但是需要大量的目标域数据才能适应数据的分布 ...
- 从近年顶会论文看领域自适应(Domain Adaptation)最新研究进展
©PaperWeekly 原创 · 作者 | 张一帆 学校 | 中科院自动化所博士生 研究方向 | 计算机视觉 Domain Adaptation 即在源域上进行训练,在目标域上进行测试. 本文总结了 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址:http://proceedings.mlr.pres ...
- 主动领域自适应(Active Domain Adaptation)部分经典论文汇总
只简单找了一小部分 CVPR [link] [code] [TQS] [21] Transferable Query Selection for Active Domain Adaptation [l ...
最新文章
- C++走向远洋——39(指向学生类的指针)
- 温故而知新,ggplot2 饼图的几点笔记
- Windows API获取系统配置文件的配置参数
- Master PDF Editor中文版
- Java注解原来如此通俗易懂
- machine learning for hacker记录(4) 智能邮箱(排序学习推荐系统)
- D-Link 老款路由器被曝多个高危漏洞,未完全修复
- 2.NET Core设定数据库种子
- 大唐凌烟阁开国廿四将
- 数据分析之--Mataplotlib入门
- 【c语言】解释为什么32767+1=-32768
- 天梯图excl_2017最全【CPU天梯图】
- 十二黄金圣斗士-合辑-修复版-3D打印图纸
- 商品搜索结果页用RecyclerView列表实现的单排和双排展示及切换
- 自己写的基金投资分析系统,这只基你们觉得怎么样?
- kettle多表数据迁移
- 作业5 | AR模型参数的估计
- python面试常问
- Windows 10, version 22H2 (updated March 2023) 简体中文版、英文版下载
- 【机器学习】skit-learn中LSI模型的实现