文章目錄

• Reference3(檢測、分割、DLOW數據生成）
• • 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、大綱 李文
• 二、CV應用的挑戰及解決方案：監控、自動駕駛、機器人、電商
• • 目前的解決方案
• 三、機器學習方法分析
• • ML的模型基于獨立同分布的假設
  • 域自適應
• 四、定義 Domain adaptation 問題，數學描述
• • 俠義的Transfer L是cross-task
  • Domain adaptation是S有label和T沒有label
• 五、解決Domain transfer key point，解決S和D的數據集的分布距離差異(散度、wd推土機D)
• • 方案一：Feature-Level-通過g(x)的分布轉換進行轉換 例如[TCA楊強](https://blog.csdn.net/weixin_44523062/article/details/105881726)
  • 方案二：CNN based方法前向的時候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：實例級別方法增加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對抗學習使s和t趨于同分布：將S和T經過Generator映射到特征空間再用D進行分類，GD對抗，使source和target數據分布趨于同分布
  • ML和CV處理Domain Transfer目標并非一個算法解決同一領域的所有問題，解決的是實現數據盡量同分布問題
• 六、目標檢測中的Domain Adaptive（游戲俠盜獵車場景的目標檢測容易獲取label到真實場景沒有標注的數據）實例level，并非語義（image level）
• • 檢測Faster RNN
  • ==Key idea域適應FasterRCNN 方法==
  • 在RPN階段進行域轉換
  • ==Key idea域適應Faster RCNN 實現pipeline：加GRL層==
  • DA FasterRCNN實驗結果（游戲場景到真實場景）
  • DA FasterRCNN實驗結果（真實場景到真實場景=不同城市camera）Kitty==》cityscapes
  • DA FasterRCNN實驗結果（天氣變換）
  • 進一步的工作發展，物體尺度
  • ROAD-NET分空間（塊）進行卷積 2018cvpr
• 七、Domian Flow for Adaptation and Generalization
• • Adaptation? Or Generalization?
  • Domain flow: 0-1 Domain 轉換中間的插值Intermediate Domain
• 八、Domain Flow 用于分割實驗
• 九、總結
• 十 、Far future
• 十一 、合作者

Reference3(檢測、分割、DLOW數據生成）

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、大綱 李文

二、CV應用的挑戰及解決方案：監控、自動駕駛、機器人、電商

目前的解決方案

三、機器學習方法分析

ML的模型基于獨立同分布的假設

域自適應

四、定義 Domain adaptation 問題，數學描述

俠義的Transfer L是cross-task

Domain adaptation是S有label和T沒有label

五、解決Domain transfer key point，解決S和D的數據集的分布距離差異(散度、wd推土機D)

方案一：Feature-Level-通過g(x)的分布轉換進行轉換 例如TCA楊強

方案二：CNN based方法前向的時候BN：AdaBN，反向方法：增加不同的loss方法：DAN,JAN，GRL

方案三：instance-level方法：實例級別方法增加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對抗學習使s和t趨于同分布：將S和T經過Generator映射到特征空間再用D進行分類，GD對抗，使source和target數據分布趨于同分布

ML和CV處理Domain Transfer目標并非一個算法解決同一領域的所有問題，解決的是實現數據盡量同分布問題

六、目標檢測中的Domain Adaptive（游戲俠盜獵車場景的目標檢測容易獲取label到真實場景沒有標注的數據）實例level，并非語義（image level）

檢測Faster RNN

Key idea域適應FasterRCNN 方法

在RPN階段進行域轉換

Key idea域適應Faster RCNN 實現pipeline：加GRL層

GRL解析

DA FasterRCNN實驗結果（游戲場景到真實場景）

DA FasterRCNN實驗結果（真實場景到真實場景=不同城市camera）Kitty==》cityscapes

DA FasterRCNN實驗結果（天氣變換）

進一步的工作發展，物體尺度

ROAD-NET分空間（塊）進行卷積 2018cvpr

七、Domian Flow for Adaptation and Generalization

Adaptation? Or Generalization?

Domain flow: 0-1 Domain 轉換中間的插值Intermediate Domain

八、Domain Flow 用于分割實驗

九、總結

十 、Far future

十一 、合作者

總結

以上是生活随笔為你收集整理的CV中domain adaptation领域自适应问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。