ADVENT：用于语义分割域适应的对抗熵最小化
计算机视觉与模式识别
2019-04-19 v2
摘要
语义分割是许多计算机视觉任务的关键问题。尽管基于卷积神经网络的方法在不同基准上不断刷新纪录，但泛化到多样测试环境仍是一大挑战。在许多真实世界应用中，训练与测试域的数据分布确实存在巨大鸿沟，导致运行时的严重性能损失。本工作中，我们借助基于像素级预测熵的损失，解决语义分割中的无监督域适应任务。为此，我们提出两种新颖且互补的方法，分别使用(i)熵损失与(ii)对抗损失。我们在两个具挑战性的“合成到真实”设定上展示了语义分割的SOTA（最先进）性能，并表明该方法也可用于检测。
引用
@article{arxiv.1811.12833,
title = {ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation},
author = {Tuan-Hung Vu and Himalaya Jain and Maxime Bucher and Matthieu Cord and Patrick Pérez},
journal= {arXiv preprint arXiv:1811.12833},
year = {2019}
}
备注
Accepted in CVPR'19. Code is available at https://github.com/valeoai/ADVENT