超越确定性翻译的无监督域适应方法
计算机视觉与模式识别
2022-11-22 v3 机器学习
摘要
在这项工作中，我们挑战了在无监督域适应（UDA）中使用源域与目标域之间一对一映射（“翻译”）的常规做法。相反，我们依赖随机翻译来捕捉固有的翻译模糊性。这使我们能够（i）通过基于同一源图像生成多个输出，利用精确翻译和用于外观可变性的数据增强来训练更准确的目标网络；（ii）通过对源网络在单张目标图像的多个翻译版本上的预测进行平均，为目标数据推算出鲁棒伪标签；以及（iii）通过在翻译中调节随机性程度，在目标域中训练并集成多样化的网络。我们报告了相对于近期强基线的改进，在两个具有挑战性的语义分割基准上取得了最先进的 UDA 结果。我们的代码可在 https://github.com/elchiou/Beyond-deterministic-translation-for-UDA 获取。
引用
@article{arxiv.2202.07778,
title = {Beyond Deterministic Translation for Unsupervised Domain Adaptation},
author = {Eleni Chiou and Eleftheria Panagiotaki and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:2202.07778},
year = {2022}
}
备注
Accepted at BMVC 2022. Code is available at https://github.com/elchiou/Beyond-deterministic-translation-for-UDA