Τμηματοποίηση στιγμιοτύπων προσαρμοσμένη στο πεδίο εφαρμογής
Η τμηματοποίηση στιγμιοτύπων προσαρμοσμένη στο πεδίο εφαρμογής επεκτείνει αρχιτεκτονικές τύπου Mask R-CNN ώστε να λειτουργούν διαμέσου μετατοπίσεων κατανομής — εκπαιδεύοντας σε μια επισημασμένη πηγαία περιοχή (π.χ., συνθετικές απεικονίσεις ή εικόνες ημέρας) και προσαρμόζοντας σε μια μη επισημασμένη ή αδύναμα επισημασμένη στοχευόμενη περιοχή (π.χ., πραγματικές σκηνές ή νυχτερινές λήψεις). Η ανταγωνιστική ευθυγράμμιση χαρακτηριστικών και η αυτο-εκπαίδευση γεφυρώνουν το χάσμα του πεδίου εφαρμογής τόσο σε επίπεδο εικόνας όσο και σε επίπεδο στιγμιοτύπου.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Chen, Y., Li, W., Sakaridis, C., Dai, D., & Van Gool, L. (2018). Domain Adaptive Faster RCNN for Object Detection in the Wild. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3339–3348. DOI: 10.1109/CVPR.2018.00352 ↗
- VS, V., Gupta, V., Oza, P., Sindagi, V. A., & Patel, V. M. (2021). MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 4516–4526. DOI: 10.1109/CVPR46437.2021.00449 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation). ScholarGate. https://scholargate.app/el/deep-learning/domain-adaptive-instance-segmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Τμηματοποίηση Αντικειμένων (Instance Segmentation)Βαθιά Μάθηση↔ compare
- Σημασιολογική ΤμηματοποίησηΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Τμηματοποίηση ΠεριστατικώνΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →