AUGCO：基于增强一致性引导自训练的无源域自适应语义分割方法
计算机视觉与模式识别
2022-01-07 v2 机器学习
摘要
大多数现代域自适应语义分割方法在自适应过程中依赖对源数据的持续访问，而由于计算或隐私限制，这可能不可行。我们关注语义分割的无源域自适应，其中源模型必须仅给定无标签目标数据就能自适应到新的目标域。我们提出增强一致性引导自训练（AUGCO），一种无源自适应算法，它利用模型对每个目标图像多样且自动生成的视图在像素级预测的一致性以及模型置信度来识别可靠的像素预测，并有选择地在这些预测上自训练。AUGCO在3个标准语义分割基准上取得了无源自适应的当前最优（SOTA）结果，且方法实现简单、收敛迅速。
引用
@article{arxiv.2107.10140,
title = {AUGCO: Augmentation Consistency-guided Self-training for Source-free Domain Adaptive Semantic Segmentation},
author = {Viraj Prabhu and Shivam Khare and Deeksha Kartik and Judy Hoffman},
journal= {arXiv preprint arXiv:2107.10140},
year = {2022}
}