Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation

Info

• Conference: CVPR 2020
• Cites: 4
• Github Stars: 9
• Github Solved/Issue: 0/0
• Author:

Main Idea

• 分割中的类中心对齐，对齐 stuff（天，树，地） 的特征和 Instance 的特征，其中对齐 Instance 的特征是为了保留 Instance 的单个特性
• 
• 
• Loss 设计上就是目标域特征离源域最近特征的L1距离
• 
• 
• 整体效果可以
• 
• 
• 其中SSL是self-supervised learning， 训练分两步，第一步常规对抗训练
• 
• 第二步加上 pseudo labels （按照置信度来划分的阈值）。

Comments

• 网络结构图里面没有 image transferring， 但是 ablation study 里面有，文章也没说到底用在哪里。
• 类中心对齐有了，伪标签也有了，还差个moving average了（这个到底和mutual learning重吗)

Bidirectional Learning for Domain Adaptation of Semantic Segmentation

Info

• Conference: CVPR 2019
• Cites:
• Github Stars: 143
• Github Solved/Issue: 19/38
• Author:

Main Idea

• 整体来讲，多个一个segmentation的语义损失用于更新图像翻译。

• 同样的逐步生成的伪label。

• 结构

• 
• 语义损失
• 
• 伪label
• 
• 
• 
• 
• 
• 效果
• 
• 
• Ablation Study
• 
• 
• 

Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation

Info

• Conference: --
• Cites: 0
• Github Stars: 83
• Github Solved/Issue: 5/5
• Author:

Main Idea

• 用 variance 代替 confidence 生成伪lable， 感觉就和多模型ensemble判断置信度一样。
• 
• 
• 
• 和预测的confidence的区别
• 
• 竟然上50了， 上界是 65
• 
• 

Unsupervised Scene Adaptation with Memory Regularization in vivo

Info

• Conference: IJCAI 2020
• Cites: 1
• Github Stars: 83
• Github Solved/Issue: 5/5
• Author:

Main Idea

• 在 Classification Head 上 DML，然后叠加已有方法
• 
• 
• 训练过程， $L_{mr}$ 是KL loss，
• 
• Ablation study
• 
• 效果显著
• 

Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision

Info

• Conference: CVPR2020 Oral
• Cites: 0
• Github Stars: 110
• Github Solved/Issue: 0/1
• Author:

• 首先第一步做 domain 间的UDA，然后根据预测的置信度把图片分成两部分，高置信度和低置信度之间做UDA。
• 
• 我对这个是否work表示怀疑，在分类上试过这个操作，没有任何效果，本质上不给模型提供任何extra information。
• 
• 其中 $\lambda$ 是简单部分的占比。
• 效果
• 
• 

Info

• Conference: ICCV 2019
• Cites: 18
• Github Stars: 129
• Github Solved/Issue: 4/4
• Author:

Main Idea

• 变相数据增强，一个adversarial 的 dropout，dropout的目标是使得同一个输入的输出尽可能差距大。这个目的与VAT（输入上加扰动）相似。从而达到增强模型泛化能力的目的。
• 
• Loss 有 Task Loss, Dropout Loss, Entropy Loss (增强模型输出的置信度), VAT Loss.
• 
• 这个结果不好评价，和一般的DA不是
• 
• 

Info

• Conference: ICML 2018
• Cites: 90
• Github Stars: 85
• Github Solved/Issue: 6/9
• Author:
• 

Main Idea

• 我好像去年复现过这篇文章，复现非常容易，超参基本不调效果都很好。
• 期望 Source 和 Target 都能到同一个 Feature Space。
• 
• 源域分类损失，对抗判别器损失，两个域类别中心的距离
• 
• 用到的 Moving Average
• 
• 效果，可惜只做了classification
• 
• 

Info

• Conference: CVPR 2019 Oral
• Cites: 36
• Github Stars: --
• Github Solved/Issue: --
• Author:

Main Idea

• 生成中间域，再用中间域的数据做迁移。

• 做中间域的判别

• 
• Cycle loss
• 
• pull together
• 
• 中间生成结果，这个z还可以是一个向量
• 
• 效果不是特别惊人，可能拿oral是因为想法奇特？
• 
• 多个域的版本
• 
• 总的来讲，感觉就是把cycle gan中的换成 CDGAN。

Info

• Conference: NIPS 2018
• Cites: 215
• Github Stars: 238
• Github Solved/Issue: 17/24
• Author:

Main Idea

• 给GAN加condition，不使用直接拼接的方式，改用 Tensor Product（这不就是换channel位置吗）。
• 
• 当维度过大的时候，采用随机抽样向量算点积。
• 
• 理论部分比较多
• 
• 
• 效果不太行，数字上只比CycADA好一点点（CycADA是17年的东西了），而且也只做了 classification 的实验。
• 

Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net

Info

• Conference: ECCV 2018
• Cites: 8
• Github Stars: 566
• Github Solved/Issue: 9/21
• Author:

Main Idea

• Instance Normalization will hurt performance by igoring mean and var.
• Batch Normalization is sensitive to appearance variance.
• Mean and Var have information about appearance variance in shallow layer while repsenting content difference in deeper layer.
• 

• So, use more IN in shallow layer, more BN in deeper layer.

• Structure

• 
• Better performance on appearance transforms.
• 
• Better performance on common models. (1% increase)
• 
• Much better performance on DA
•