域自适应语义分割的平衡学习
计算机视觉与模式识别
2025-12-09 v1
摘要
语义分割的无监督域自适应旨在将知识从有标签的源域迁移到无标签的目标域。尽管自训练技术在域自适应中有效，但由于源域和目标域之间数据和标签空间中固有的类别不平衡和分布偏移，它们难以以平衡的方式学习每个类别。为解决这一问题，我们提出了域自适应平衡学习（BLDA），一种直接评估和缓解类别偏差的方法，无需关于分布偏移的先验知识。首先，通过分析预测logits的分布来识别预测过多和预测不足的类别。随后，我们引入一种后验方法，使用共享锚定分布来对齐不同类别的logits分布。为进一步考虑网络在自训练期间生成无偏伪标签的需要，我们在线估计logits分布，并将logits校正项纳入损失函数。此外，我们利用由此得到的累积密度作为域共享的结构知识来连接源域和目标域。在两个标准域自适应语义分割基准上的广泛实验表明，BLDA持续提升性能，尤其是在与各种现有方法集成时对预测不足的类别。代码可在https://github.com/Woof6/BLDA获取。
引用
@article{arxiv.2512.06886,
title = {Balanced Learning for Domain Adaptive Semantic Segmentation},
author = {Wangkai Li and Rui Sun and Bohao Liao and Zhaoyang Li and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2512.06886},
year = {2025}
}
备注
Accepted by International Conference on Machine Learning (ICML 2025)