一种面向语义分割的对抗扰动导向域自适应方法
计算机视觉与模式识别
2019-12-20 v1
摘要
我们关注无监督域自适应（UDA）在语义分割任务上的应用。近来，对抗对齐被广泛采用以全局匹配两域间特征表示的边缘分布。然而，该策略在适配语义分割中尾部类或小物体的表示时失效，因为对齐目标被头部类别或大物体主导。与对抗对齐不同，我们提出通过生成并防御逐点特征空间对抗扰动来显式训练域不变分类器。具体而言，我们首先在两域的每个独立位置上以若干攻击目标（即判别器与分类器）扰动中间特征图，然后训练分类器对这些扰动保持不变性。通过逐位置单独扰动，我们的模型不论类别或物体大小均平等对待每个位置，从而规避了上述问题。此外，通过对域判别器攻击将源域与目标域扰动特征相互外推，特征空间中的域差距得以减小。我们的方法在两个具挑战性的语义分割域自适应任务上取得最先进性能：GTA5 -> Cityscapes 与 SYNTHIA -> Cityscapes。
引用
@article{arxiv.1912.08954,
title = {An Adversarial Perturbation Oriented Domain Adaptation Approach for Semantic Segmentation},
author = {Jihan Yang and Ruijia Xu and Ruiyu Li and Xiaojuan Qi and Xiaoyong Shen and Guanbin Li and Liang Lin},
journal= {arXiv preprint arXiv:1912.08954},
year = {2019}
}
备注
To Appear in AAAI2020