ScholarGate
Asistenti
Machine learningDeep learning / NLP / CV

Segmentimi i instancave adaptues ndaj domenit

Segmentimi i instancave adaptues ndaj domenit shtrin arkitekturën e stilit Mask R-CNN për të operuar nëpër ndryshime shpërndarjeje — duke u trajnuar në një domen burimor të etiketuar (p.sh., pamje sintetike ose imazhe ditore) dhe duke u përshtatur në një domen objektiv pa etiketë ose me etiketim të dobët (p.sh., skena reale ose pamje nate). Përputhja e tipareve kundërshtare dhe vetë-trajnimi mbyllin hendekun e domenit në nivelin e imazhit dhe atë të instancës.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiDownload slides

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Method map

The neighbourhood of related methods — select a node to explore.

Burimet

  1. 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
  2. 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

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation). ScholarGate. https://scholargate.app/sq/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.

Compare side by side
ScholarGateDomain-adaptive Instance Segmentation (Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation)). Marrë më 2026-06-15 nga https://scholargate.app/sq/deep-learning/domain-adaptive-instance-segmentation · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026