ADAS：一种面向多目标域自适应语义分割的直接适配策略
计算机视觉与模式识别
2022-03-15 v1
摘要
本文提出一种直接适配策略（ADAS），旨在语义分割任务中将单一模型直接适配到多个目标域，而无需预训练的域特定模型。为此，我们设计了一个多目标域迁移网络（MTDT-Net），通过一种新的目标自适应去归一化（TAD）模块迁移域区分性特征，从而对齐跨域视觉属性。此外，我们提出双向自适应区域选择（BARS），通过自适应选择具有一致特征统计的区域，减少类标签间的属性模糊性。我们展示了我们的单一 MTDT-Net 能利用复杂驾驶数据集合成视觉上令人满意的域迁移图像，且 BARS 有效过滤掉各目标域训练图像中不必要的区域。借助 MTDT-Net 与 BARS 的协作，我们的 ADAS 在多目标域自适应（MTDA）上取得了当前最佳性能。据我们所知，我们的方法是首个在语义分割中直接适配多域的 MTDA 方法。
引用
@article{arxiv.2203.06811,
title = {ADAS: A Direct Adaptation Strategy for Multi-Target Domain Adaptive Semantic Segmentation},
author = {Seunghun Lee and Wonhyeok Choi and Changjae Kim and Minwoo Choi and Sunghoon Im},
journal= {arXiv preprint arXiv:2203.06811},
year = {2022}
}
备注
Accepted to CVPR 2022