MIC

MIC

基于遮蔽图像一致性的域自适应方法

MIC(Masked Image Consistency)是一种新型无监督域自适应方法,通过学习目标域的空间上下文关系来提高视觉识别性能。该方法对遮蔽目标图像的预测与完整图像的伪标签保持一致性,使网络能够从上下文推断遮蔽区域的内容。MIC适用于图像分类、语义分割和目标检测等多个视觉任务,在合成到真实、白天到夜间、晴朗到恶劣天气等场景的域自适应中取得了显著的性能提升。

MIC域适应语义分割图像分类目标检测Github开源项目

MIC: 用于增强上下文的域适应的掩码图像一致性

作者: Lukas HoyerDengxin DaiHaoran WangLuc Van Gool

[Arxiv] [论文]

:bell: 新闻:

  • [2024-07-03] 我们很高兴地宣布,我们关于基于视觉-语言引导的半监督语义分割的工作 SemiVLECCV24 接受。
  • [2024-07-03] 我们很高兴地宣布,我们关于用于域泛化语义分割的图像扩散的后续工作 DGInStyleECCV24 接受。
  • [2023-09-26] 我们很高兴地宣布,我们关于域泛化和清晰到恶劣天气UDA的 DAFormer/HRDA 扩展PAMI 接受。
  • [2023-08-25] 我们很高兴地宣布,我们关于全景分割UDA的工作 EDAPSICCV23 接受。
  • [2023-02-28] 我们很高兴地宣布,MIC 被 CVPR23 接受。

概述

在无监督域适应(UDA)中,在源数据(如合成数据)上训练的模型被适应到目标数据(如真实世界数据)上,而无需访问目标注释。大多数以前的UDA方法在处理目标域上视觉外观相似的类别时存在困难,因为没有可用的真实标签来学习细微的外观差异。为解决这个问题,我们提出了掩码图像一致性(MIC)模块,通过学习目标域的空间上下文关系作为额外线索来增强UDA,从而实现稳健的视觉识别。

MIC强制保持掩码目标图像(随机遮挡部分图像区域)的预测与基于完整图像生成的伪标签之间的一致性,这些伪标签由指数移动平均教师生成。为了最小化一致性损失,网络必须学会从上下文推断被掩码区域的预测。

<img src="https://yellow-cdn.veclightyear.com/835a84d5/6a549151-5d5e-4815-8827-12d3a56b529e.png" width="900">

由于其简单且通用的概念,MIC可以集成到各种UDA方法中,适用于不同的视觉识别任务,如图像分类、语义分割和目标检测。MIC显著提高了不同识别任务在合成到真实、白天到夜晚以及清晰到恶劣天气UDA方面的最先进性能。例如,MIC在GTA→Cityscapes和VisDA-2017上分别达到了前所未有的75.9 mIoU和92.8%的UDA性能,相比之前的最佳水平分别提高了2.1和3.0个百分点。

<img src="https://yellow-cdn.veclightyear.com/835a84d5/66aea726-fc4e-4908-ae20-4d046124baa2.png" width="500">

改进的域适应性能也反映在GTA→Cityscapes、Cityscapes→ACDC和Cityscapes→Foggy Cityscapes的示例预测中,如下所示。

MIC 演示 色彩调色板

有关MIC的更多信息,请查看我们的[论文]

如果您在研究中发现MIC有用,请考虑引用:

@InProceedings{hoyer2023mic,
  title={{MIC}: Masked Image Consistency for Context-Enhanced Domain Adaptation},
  author={Hoyer, Lukas and Dai, Dengxin and Wang, Haoran and Van Gool, Luc},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2023}
}

用于域适应语义分割的MIC

您可以在子文件夹 seg/ 中找到在域适应语义分割上运行MIC的源代码。关于如何设置环境/数据集以及如何训练用于语义分割UDA的MIC的说明,请参阅 seg/README.md

我们建议从语义分割的MIC开始,因为它实现了完整的配置集以及消融研究。

用于域适应图像分类的MIC

您可以在子文件夹 cls/ 中找到在域适应图像分类上运行MIC的源代码。关于如何设置环境/数据集以及如何训练用于图像分类UDA的MIC的说明,请参阅 cls/README.md

用于域适应目标检测的MIC

您可以在子文件夹 det/ 中找到在域适应目标检测上运行MIC的源代码。关于如何设置环境/数据集以及如何训练用于目标检测UDA的MIC的说明,请参阅 det/README.md

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多