AFRDA：用于域自适应语义分割的注意力特征细化
计算机视觉与模式识别
2025-08-12 v2
摘要
在无监督域自适应语义分割 (UDA-SS) 中，模型在标注源域数据 (例如合成图像) 上训练，并在无标签目标域 (例如真实图像) 上适配，无法获取目标注释。现有 UDA-SS 方法常在细粒度局部细节与全局上下文信息之间难以取得平衡，导致复杂区域的分割错误。为此，我们引入自适应特征细化 (AFR) 模块，通过利用低分辨率逻辑图的语义先验来细化高分辨率特征，从而提升分割精度。AFR 还集成高频分量，这些分量捕获细粒度结构并提供关键边界信息，改善对象描绘。此外，AFR 通过不确定性驱动的注意力机制自适应地平衡局部和全局信息，减少误分类。其轻量级设计可无缝集成到基于 HRDA 的 UDA 方法中，实现最先进的分割性能。我们的方法在 GTA V --> Cityscapes 上的 mIoU 提升 1.05%，在 Synthia-->Cityscapes 上的 mIoU 提升 1.04%。本框架实现代码已公开：https://github.com/Masrur02/AFRDA
引用
@article{arxiv.2507.17957,
title = {AFRDA: Attentive Feature Refinement for Domain Adaptive Semantic Segmentation},
author = {Md. Al-Masrur Khan and Durgakant Pushp and Lantao Liu},
journal= {arXiv preprint arXiv:2507.17957},
year = {2025}
}