一种用于无监督对抗域适应的域不可知归一化层
计算机视觉与模式识别
2018-09-17 v1
摘要
我们提出了一种用于语义场景分割中无监督域适应的归一化层。已知归一化层可改善收敛性与泛化能力，并且是许多最先进的全卷积神经网络的组成部分。我们表明，常规归一化层会恶化当前无监督对抗域适应（UADA）的性能，UADA 是一种用于提升网络在未标记数据集上性能的方法，也是本研究的重点。因此，我们提出了一种新颖的域不可知归一化层，从而释放了归一化层对无监督对抗域适应的益处。在我们的评估中，我们从合成 GTA5 数据集适应到真实的 Cityscapes 数据集（一个常见基准实验），并超越了当前最优（SOTA）。由于我们的归一化层在测试时域不可知，我们进一步证明了使用域不可知归一化的 UADA 提升了在未见域上的性能，特别是在 Apolloscape 和 Mapillary 上。
引用
@article{arxiv.1809.05298,
title = {A Domain Agnostic Normalization Layer for Unsupervised Adversarial Domain Adaptation},
author = {Rob Romijnders and Panagiotis Meletis and Gijs Dubbelman},
journal= {arXiv preprint arXiv:1809.05298},
year = {2018}
}