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
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
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
