基于增广的语义分割域泛化
计算机视觉与模式识别
2023-04-25 v1 人工智能
机器学习
机器人学
摘要
无监督域适应（UDA）与域泛化（DG）是两个旨在解决深度神经网络（DNNs）对未见域缺乏泛化能力的研究方向。UDA 方法可使用无标签目标图像，而域泛化不涉及任何目标数据，仅从源域学习泛化特征。图像风格随机化或增广是一种在无法访问目标域时提升网络泛化能力的常用方法。现有方法常提出复杂模型，却忽视了简单图像增广对域外泛化的潜力。为此，我们系统研究了模糊、噪声、颜色抖动等基于规则的简单图像增广的域内与域外泛化能力。基于全因子实验设计，我们对增广及其交互作用进行了系统的统计评估。我们的分析给出了预期与非预期的结果。预期的是，实验证实了多个不同增广组合优于单一增广的普遍科学标准。非预期的是，组合增广在与最先进域泛化方法竞争时表现相当，同时显著更简单且无需训练开销。在 Synthia 与 Cityscapes 之间具有挑战性的合成到真实域偏移上，我们达到 39.5% mIoU，而此前最佳工作为 40.9% mIoU。当进一步采用近期视觉 transformer 架构 DAFormer 时，我们以 44.2% mIoU 的性能超越了这些基准。
引用
@article{arxiv.2304.12122,
title = {Augmentation-based Domain Generalization for Semantic Segmentation},
author = {Manuel Schwonberg and Fadoua El Bouazati and Nico M. Schmidt and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2304.12122},
year = {2023}
}
备注
Accepted at Intelligent Vehicles Symposium 2023 (IV 2023) Autonomy@Scale Workshop