Segmentation d'instances adaptative au domaine
La segmentation d'instances adaptative au domaine étend les architectures de type Mask R-CNN pour fonctionner sur des décalages de distribution — entraînement sur un domaine source étiqueté (par ex., rendus synthétiques ou images diurnes) et adaptation à un domaine cible non étiqueté ou faiblement étiqueté (par ex., scènes réelles ou images nocturnes). L'alignement des caractéristiques adverses et l'auto-entraînement réduisent l'écart de domaine aux granularités image et instance.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation). ScholarGate. https://scholargate.app/fr/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.
- Segmentation d'instancesApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
- Apprentissage par transfert avec segmentation d'instancesApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →