Bi-Mix：用于域自适应夜间语义分割的双向混合
计算机视觉与模式识别
2021-11-22 v1
摘要
在自动驾驶中，学习能够适应各种环境条件的分割模型至关重要。特别是，应对严重的光照变化是一项迫切需求，因为在白天数据上训练的模型在夜间表现会很差。本文中，我们研究域自适应夜间语义分割(DANSS)问题，旨在利用带标签的白天数据集和包含粗略对齐的昼夜图像对的未带标签数据集学习一个有判别力的夜间模型。为此，我们提出一种用于DANSS的新颖双向混合(Bi-Mix)框架，它可同时助力图像翻译和分割自适应过程。具体而言，在图像翻译阶段，Bi-Mix利用昼夜图像对的知识来改善夜间图像重光照的质量。另一方面，在分割自适应阶段，Bi-Mix有效弥合昼夜域之间的分布差距，使模型适应夜间域。在这两个过程中，Bi-Mix仅通过混合两个样本来操作，无需额外超参数，因此易于实现。在Dark Zurich和Nighttime Driving数据集上的大量实验证明了所提Bi-Mix的优势，并表明我们的方法在DANSS中取得了最先进的性能。我们的代码可在 https://github.com/ygjwd12345/BiMix 获取。
引用
@article{arxiv.2111.10339,
title = {Bi-Mix: Bidirectional Mixing for Domain Adaptive Nighttime Semantic Segmentation},
author = {Guanglei Yang and Zhun Zhong and Hao Tang and Mingli Ding and Nicu Sebe and Elisa Ricci},
journal= {arXiv preprint arXiv:2111.10339},
year = {2021}
}