没有合适的资源?快使用搜索试试~ 我知道了~
跨域的两篇顶会论文的阅读笔记-PPT展示
需积分: 7 2 下载量 142 浏览量
2023-04-17
09:10:55
上传
评论
收藏 6.39MB PPTX 举报
温馨提示
试读
23页
Bi-level Alignment for Cross-Domain Crowd Counting阅读笔记PPT Few-shot Image Generation via Cross-domain Correspondence阅读笔记PPT
资源推荐
资源详情
资源评论
CVPR 2022
1、大多数最先进的方法依赖于地面真实密度图的大量训练图像,每个人头都有标记。然而
,注释如此多的人头是非常昂贵的,对于高密度区域,这样的手动标签可能会有噪声。为
了降低注释成本,我们需要使用一个大规模的合成数据集。
2、然而,由于合成图像和真实图像之间的域差距很大,在合成数据集上训练的模型表现很
差。
3、自动机器学习(AutoML)的目的是让人类从业者和研究人员不必为每个超参数选择最
优值,如学习率、权重衰减和辍学,或设计性能良好的网络架构。该领域的先驱者开发了
基于强化学习(RL)、进化算法(EA)和贝叶斯优化的优化方法来指导搜索过程。由于需
要一定的计算开销,这些工作通常是不切实际的。相比之下,一个可微分控制器将选择转
换为一个连续的隐空间优化问题,允许由一个基于梯度的优化器执行一个高效的搜索过
程。
主要贡献:
(1)为了更有效地综合真实的自适应人群计数,我们提出了一种新的基
于对抗性学习的方法,包括双层对齐:任务驱动的数据对齐和细粒度
特征对齐。
(2)据我们所知,这是第一个基于目标域上的下游任务性能来搜索最优
源数据转换的UDA方法。
(3)在各种真实数据集上的实验结果表明,我们的方法取得了最先进的
合成到真实领域自适应的结果;此外,我们的方法应用简单、有效。
我们的核心思想是通过两
个组件,即任务驱动的数
据对齐和细粒度的特征对
齐,在数据级和特征级的
源域和目标域之间进行对
齐。
特征提取器(F)、密度估计
器(E)、任务驱动的数据对
齐和局部细粒度鉴别器
(D).
剩余22页未读,继续阅读
资源评论
猫头丁
- 粉丝: 1w+
- 资源: 21
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功