浙江大学| 深度域自适应和小目标检测挑战、技术和数据集：调研转载

相关文章推荐

刚毅的馒头 · 语雀搭配Web ...· 1 月前 ·

长情的山羊 · Station P1-AndroidTV ...· 1 月前 ·

仗义的竹笋 · 【TL学习笔记】1：领域自适应(Domain ...· 1 年前 ·

仗义的竹笋 · 领域适应学习(domain ...· 1 年前 ·

仗义的竹笋 · 【机器学习】李宏毅——Domain ...· 1 年前 ·

仗义的竹笋 · 迁移学习和领域自适应的区别是什么？ - 知乎· 1 年前 ·

仗义的竹笋 · 面向异构数据的领域自适应表示学习方法研究_手 ...· 1 年前 ·

论文标题：

A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets

论文链接：

https://www.zhuanzhi.ai/paper/5194ee2a4d809028c15b2878ade5cb5a

作者单位：浙江大学

38页综述，共计567篇参考文献！本文对域自适应目标检测(DDA-OD)和小目标检测(tiny OD)两大检测方向进行全面调研，详细介绍了代表性算法、涨点技术和相关数据集。

本综述专门分析了基于计算机视觉的目标检测挑战和不同技术的解决方案。我们主要通过三种不同的趋势策略来强调目标检测，即，1）基于域自适应深度学习的方法（基于差异、基于对抗、基于重建、混合）。我们研究了一般和小目标检测相关的挑战，并通过历史和比较分析提供了解决方案。在第 2 部分）中，我们主要关注小目标检测技术（多尺度特征学习、数据增强、训练策略 (TS)、基于上下文的检测、基于 GAN 的检测）。在第 3 部分）中，为了获得知识性的发现，我们讨论了不同的对象检测方法，即卷积和卷积神经网络 (CNN)，以及具有趋势类型的池化操作。此外，我们在一些目标检测算法的帮助下解释了结果，即 R-CNN、Fast R-CNN、Faster R-CNN、YOLO 和 SSD，它们通常被认为是 CV、CNN 和 OD 的基础。我们对 MS-COCO、PASCAL VOC07,12 和 ImageNet 等不同数据集进行了比较分析，以分析结果并呈现结果。最后，我们展示了该领域现有挑战的未来方向。将来，可以分析 OD 方法和模型以进行实时目标检测、跟踪策略。

编辑：文婧

来源：专知本文为论文，建议阅读5分钟本文对域自适应目标检测(DDA-OD)和小目标检测(tiny OD)两大检测方向进行全面调研，详细介绍了代表性算法、涨点技术和相关数据集。论文标...

一、文章概况文章题目：《A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets》这篇文章的内容实在太长了，这里就挑要点进行介绍了。文章下载地址：https://arxiv.org/ftp/arxiv/papers/2107/2107.07927.pdf 文章引用格式：MUHAMMAD MUZAMMUL and XI LI....

迁移学习域 自适应 性1.导语2.Domain adaptation2.1 Domain adaptation思路2.2 样本 自适应 2.3 特征 自适应 2.4 模型 自适应 在真实的 机器学习 项目中，我们的训练 数据集 与测试 数据集 之间是存在一定数据分布差异的，这个时候往往模型会出现过拟合的情况，模型在测试集上的效果不是很理想。那怎么样在不改变 数据集 的情况下，提升测试集准确率呢。这个时候就有了迁移学习的一种代表方法，域 自适应 （Domain adaptation）。另外在迁移学习中又分样本迁移、特征迁移和模型

1, TITLE:Optical Inspection of The Silicon Micro-strip Sensors for The CBM Experiment Employing Artificial Intelligence AUTHO...

论文学习：Adversarial Multiple Source Domain Adaptation 论文——Adversarial Multiple Source Domain Adaptation已上传资源，可免费下载什么是领域 自适应 ？从有标记源领域到无标记目标领域的知识转移。领域 自适应 Domain Adaptation通过利用不同但相关的源领域中的训练数据来解决目标领域中的学习问题。关于领域 自适应 的研究还是比较多的，不过大多数都是基于单源域的适应。 Domain-Adversarial Training of Neural Networks in Tensorflow 域适配：目标域与源域的数据分布不同但任务相同下的迁移学习。 DANN假设有两种数据分布：源域数据分布KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲...

总结：https://www.yuque.com/weijiawu/research/vp3v2y Adversarial-based 1.Unsupervised Domain Adaptation by Backpropagation 论文：https://arxiv.org/abs/1409.7495 代码：https://github.com/fungtion/DANN_py3 解析：https://blog.csdn.net/weixin_37993251/article/details/8935

这是力扣的 1456 题，难度为中等，解题方案有很多种，本文讲解我认为最奇妙的一种。又是一道滑动窗口的典型例题，可以帮助我们巩固滑动窗口算法。给你字符串s和整数k。请返回字符串s中长度为k的单个子字符串中可能包含的最大元音字母数。英文中的元音字母为（a,e,i,o,u）。

基于度量的域 自适应 和基于对抗的域 自适应 是两种常见的域 自适应 方法，它们的主要区别在于解决域差异的方式不同。基于度量的域 自适应 方法的主要思想是通过度量源域和目标域数据样本之间的距离或相似度，来找到最相似的样本进行匹配或加权，从而实现源域到目标域的映射。这种方法主要包括局部和全局两种策略，局部策略是在样本级别上进行度量，全局策略则是在特征空间上进行度量。而基于对抗的域 自适应 方法则是通过引入一个对抗损失来实现源域到目标域的映射。这种方法的主要思想是在一个两个神经网络（生成器和判别器）互相对抗的框架下，让生成器尽可能地生成和目标域相似的样本，同时让判别器尽可能地区分源域和目标域的样本。通过不断地迭代训练，生成器可以逐渐学习到源域和目标域之间的映射关系，从而实现域 自适应 。总的来说，基于度量的域 自适应 方法更注重于样本之间的距离或相似度，而基于对抗的域 自适应 方法则更注重于样本的分布和生成。