CV中领域自适应问题
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
- 三、机器学习方法分析
- 四、定义 Domain adaptation 问题,数学描述
- 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
- 八、Domain Flow 用于分割实验
- 九、总结
- 十 、Far future
- 十一 、合作者