#域适应
powerful-benchmarker
提供功能强大的模型基准测试工具,适用于无监督域适应和度量学习,特色包括三种新验证方法和大规模基准排名。项目提供简便的安装步骤、路径设置和丰富的脚本支持,同时还包含Jupyter notebooks、各种脚本和测试代码,确保实验顺利进行。
awesome-test-time-adaptation
项目汇总了测试时适应技术的研究资源,包括域适应、批次适应、实例适应、在线适应和先验适应。内容涵盖问题概述、分类整理、数据集信息和文献引用。这些资料有助于研究人员和开发者了解该领域的最新进展。
MIC
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。
SePiCo
SePiCo是一种创新的域适应语义分割框架,通过语义引导的像素对比学习促进跨域像素嵌入空间的类别判别和平衡。该方法在多个域适应任务中显著提升了性能,包括GTAV到Cityscapes、SYNTHIA到Cityscapes和Cityscapes到Dark Zurich。SePiCo的突出表现使其被选为ESI高被引论文,展现了其在计算机视觉领域的重要影响。