基于多级对比单元的活动域适应语义分割方法
计算机视觉与模式识别
2022-05-26 v2
摘要
为进一步降低半监督域适应（SSDA）标注成本，一种更有效的方式是使用主动学习（AL）标注具有特定属性的选定子集。然而，域适应任务总是由两个交互方面解决：域迁移和判别性增强，这要求所选数据在模型下具有不确定性且在特征空间中具有多样性。与分类任务中的主动学习相反，在分割任务中通常难以选择同时包含上述两种属性的像素，导致像素选择策略设计复杂。为解决该问题，我们提出一种新颖的具有多级对比单元的活动域适应方案（ADA-MCU）用于语义图像分割。引入简单的像素选择策略并随之构建多级对比单元，以针对域适应和主动监督学习优化模型。实践中，MCU由图像内、跨图像和跨域三个层级使用有标注和无标注像素构建。在每个层级，我们以中心到中心和像素到像素的方式定义对比损失，旨在联合对齐类别中心并减少决策边界附近的离群点。此外，我们还引入类别关联矩阵以隐式描述类别间关系，用于调整MCU损失的权重。在标准基准上的大量实验结果表明，所提方法以少50%的标注像素取得了与最先进SSDA方法相竞争的性能，并在相同标注成本下大幅优于最先进方法。
引用
@article{arxiv.2205.11192,
title = {Active Domain Adaptation with Multi-level Contrastive Units for Semantic Segmentation},
author = {Hao Zhang and Ruimao Zhang and Zhanglin Peng and Junle Wang and Yanqing Jing},
journal= {arXiv preprint arXiv:2205.11192},
year = {2022}
}