基于代理标签策略课程的自适应语义分割
计算机视觉与模式识别
2018-11-09 v1 机器学习
摘要
训练深度网络进行语义分割需要对大量数据进行标注，这可能耗时且昂贵。遗憾的是，当在与训练数据不一致的域中测试时，这些训练好的网络泛化能力仍然很差。在本文中，我们展示了通过向网络精心呈现带标签的源域数据与代理标签的目标域数据的混合，可以实现最先进的无监督域适应结果。在我们的设计中，网络仅利用源域的标注逐步学习特定于目标域的特征。我们使用网络自身的预测为目标域生成代理标签。我们的架构随后允许从这组代理标签中选择性地挖掘简单样本，以及从带标注的源域中挖掘困难样本。我们在 GTA5、Cityscapes 和 BDD100k 数据集上进行了一系列关于合成到真实域适应和地理域适应的实验，展示了我们的方法相对于基线和现有方法的优势。
引用
@article{arxiv.1811.03542,
title = {Adaptive Semantic Segmentation with a Strategic Curriculum of Proxy Labels},
author = {Kashyap Chitta and Jianwei Feng and Martial Hebert},
journal= {arXiv preprint arXiv:1811.03542},
year = {2018}
}