Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Learning From Each Other: Generalized Federated Incremental Semantic Segmentation.

IEEE transactions on pattern analysis and machine intelligence·2026
Same author

ACDC: The Adverse Conditions Dataset With Correspondences for Robust Semantic Driving Scene Perception.

IEEE transactions on pattern analysis and machine intelligence·2025
Same author

UniDepthV2: Universal Monocular Metric Depth Estimation Made Simpler.

IEEE transactions on pattern analysis and machine intelligence·2025
Same author

Subgrapher: visual fingerprinting of chemical structures.

Journal of cheminformatics·2025
Same author

Spatial-Temporal Graph Mamba for Music-Guided Dance Video Synthesis.

IEEE transactions on pattern analysis and machine intelligence·2025
Same author

DiffI2I: Efficient Diffusion Model for Image-to-Image Translation.

IEEE transactions on pattern analysis and machine intelligence·2025

相关实验视频

Updated: Jul 15, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

439

域自适应和通用化的网络架构和培训策略,用于语义图像分割的语义图像分割.

Lukas Hoyer, Dengxin Dai, Luc Van Gool

    IEEE transactions on pattern analysis and machine intelligence
    |September 28, 2023
    PubMed
    概括
    此摘要是机器生成的。

    本研究介绍了DAFormer和HRDA,这是用于无监督域调整和概括语义细分的新型网络. 这些方法通过解决常见的域偏差和改进上下文捕获,显著提高了对未见数据的模型性能.

    更多相关视频

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
    04:48

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

    Published on: November 30, 2022

    2.8K
    Deep Neural Networks for Image-Based Dietary Assessment
    13:19

    Deep Neural Networks for Image-Based Dietary Assessment

    Published on: March 13, 2021

    9.2K

    相关实验视频

    Last Updated: Jul 15, 2025

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    439
    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
    04:48

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

    Published on: November 30, 2022

    2.8K
    Deep Neural Networks for Image-Based Dietary Assessment
    13:19

    Deep Neural Networks for Image-Based Dietary Assessment

    Published on: March 13, 2021

    9.2K

    科学领域:

    • 计算机科学 计算机科学
    • 人工智能的人工智能
    • 机器学习 机器学习

    背景情况:

    • 无监督域调整 (UDA) 和域泛化 (DG) 对于将机器学习模型应用于新的,未标记的数据集至关重要.
    • 现有的UDA和DG语义细分方法通常依赖于过时的网络架构.
    • 挑战包括过度适应源域和保存细节或长距离上下文,由于图像操作提高了内存效率.

    研究的目的:

    • 为了比较最近的网络架构,包括变压器,用于UDA和DG语义细分.
    • 设计和引入针对UDA和DG任务的DAFormer网络.
    • 提出HRDA,一个多分辨率框架,以克服UDA/DG中低分辨率或裁剪图像的局限性.

    主要方法:

    • 对UDA/DG的变压器等近期架构进行基准测试.
    • 开发了DAFormer的三种策略:罕见类采样,物类图像网特征距离和学习速率升温.
    • 引入HRDA,一个多分辨率框架,使用高分辨率作物进行细节和低分辨率作物进行上下文,并注重学习规模.

    主要成果:

    • DAFormer和HRDA显著提高了UDA和DG语义细分的最新性能.
    • 在5个不同的基准指标中,业绩增长超过了1000万个单位.
    • 提出的方法有效地减轻了源域偏差,并增强了上下文理解.

    结论:

    • DAFormer和HRDA代表了UDA和DG在语义细分方面的重大进展.
    • 开发的策略有效地解决了过和内存限制的问题.
    • 在HRDA中的多解析度方法成功地平衡了细节的保存和上下文的捕获,从而实现了强大的域泛化.