用于语义分割的对抗式半监督域适应：已标注目标样本的新角色
计算机视觉与模式识别
2023-12-13 v1
摘要
在语义分割背景下，域适应（DA）方法的对抗学习基线在半监督框架中尚未得到充分探索。这些基线在监督损失中仅涉及可用的已标注目标样本。在本工作中，我们提出增强它们在语义分割和单域分类器神经网络上的有效性。我们针对已标注目标数据作为源样本或真实目标样本的情况，设计了新的训练目标损失。其基本原理是，将已标注目标样本集视为源域的一部分有助于减小域差异，从而提高对抗损失的贡献。为了支持我们的方法，我们考虑了一种互补方法，该方法混合源数据和已标注目标数据，然后应用相同的适应过程。我们进一步提出了一种基于熵的无监督选择程序，以优化用于适应的已标注目标样本的选择。我们通过在基准 GTA5、SYNTHIA 和 Cityscapes 上的大量实验来说明我们的发现。实证评估突出了我们提出方法的竞争优势。
引用
@article{arxiv.2312.07370,
title = {Adversarial Semi-Supervised Domain Adaptation for Semantic Segmentation: A New Role for Labeled Target Samples},
author = {Marwa Kechaou and Mokhtar Z. Alaya and Romain Hérault and Gilles Gasso},
journal= {arXiv preprint arXiv:2312.07370},
year = {2023}
}