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

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. 【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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 【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 ...

  10. 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

  1. C++走向远洋——39（指向学生类的指针）
  2. 温故而知新，ggplot2 饼图的几点笔记
  3. Windows API获取系统配置文件的配置参数
  4. Master PDF Editor中文版
  5. Java注解原来如此通俗易懂
  6. machine learning for hacker记录(4) 智能邮箱（排序学习推荐系统）
  7. D-Link 老款路由器被曝多个高危漏洞，未完全修复
  8. 2.NET Core设定数据库种子
  9. 大唐凌烟阁开国廿四将
  10. 数据分析之--Mataplotlib入门
  11. 【c语言】解释为什么32767+1=-32768
  12. 天梯图excl_2017最全【CPU天梯图】
  13. 十二黄金圣斗士-合辑-修复版-3D打印图纸
  14. 商品搜索结果页用RecyclerView列表实现的单排和双排展示及切换
  15. 自己写的基金投资分析系统，这只基你们觉得怎么样？
  16. kettle多表数据迁移
  17. 作业5 | AR模型参数的估计
  18. python面试常问
  19. Windows 10, version 22H2 (updated March 2023) 简体中文版、英文版下载
  20. 【机器学习】skit-learn中LSI模型的实现

热门文章

  1. 中国运营商IP范围 路由表
  2. 美团校招笔试题-算法8.20-python
  3. 阿里天池：小样本商标检测（baseline0.50）
  4. Echarts16 ---散点图-趋势图
  5. MyBatis学习----使用mybatis对单表进行操作
  6. Java P5713 【深基3.例5】洛谷团队系统 洛谷入门题
  7. 【机器翻译machine translation】
  8. 建设工程项目全寿命周期管理是指_建设工程全寿命周期的概述
  9. 省市区三级联动sql
  10. chm sharp安卓版_CHM Sharp(CHM阅读器)