ADeLA：语义分割中基于注意力视点自适应的自动稠密标注
计算机视觉与模式识别
2021-08-02 v1
摘要
我们描述了一种针对语义分割任务中由视点变化引起的图像内容偏移的无监督域自适应方法。大多数现有方法在共享空间中执行域对齐，并假设从对齐空间到输出的映射是可迁移的。然而，视点变化所引发的新内容可能使此类空间失效而无法有效对齐，从而导致负向自适应。我们的方法不对两域间任何图像统计量进行对齐。相反，它利用仅在彩色图像上训练的视点变换网络来幻觉化目标域的语义图像。尽管缺乏监督，得益于注意力机制引入的归纳偏置，该视点变换网络仍可对语义图像泛化。此外，为解决将语义图像转换为语义标签时的歧义，我们将视点变换网络视为由彩色图像所隐含的未知映射的函数表示，并提出函数式标签幻觉以在目标域生成伪标签。我们的方法超越了基于最先进对应估计与视点合成方法构建的基线。而且，它优于利用自训练与对抗域对齐的最先进无监督域自适应方法。我们的代码与数据集将公开提供。
引用
@article{arxiv.2107.14285,
title = {ADeLA: Automatic Dense Labeling with Attention for Viewpoint Adaptation in Semantic Segmentation},
author = {Yanchao Yang and Hanxiang Ren and He Wang and Bokui Shen and Qingnan Fan and Youyi Zheng and C. Karen Liu and Leonidas Guibas},
journal= {arXiv preprint arXiv:2107.14285},
year = {2021}
}