BiMaL:用于语义场景分割中域适应的双射最大似然方法
计算机视觉与模式识别
2021-08-10 v1
摘要
语义分割旨在预测像素级标签。它已成为各种计算机视觉应用中的热门任务。虽然全监督分割方法在大规模视觉数据集上取得了高精度,但它们无法很好地泛化到新的测试环境或新域。在本工作中,我们首先引入一种新的非对齐域分数,以无监督方式度量所学模型在新目标域上的效率。然后,我们提出新的双射最大似然(BiMaL)损失,它是对抗熵最小化的一种广义形式,且不依赖于任何关于像素独立性的假设。我们在两个域上评估了所提出的 BiMaL。所提出的 BiMaL 方法在“SYNTHIA 到 Cityscapes”、“GTA5 到 Cityscapes”以及“SYNTHIA 到 Vistas”的经验实验中持续优于 SOTA 方法。
引用
@article{arxiv.2108.03267,
title = {BiMaL: Bijective Maximum Likelihood Approach to Domain Adaptation in Semantic Scene Segmentation},
author = {Thanh-Dat Truong and Chi Nhan Duong and Ngan Le and Son Lam Phung and Chase Rainwater and Khoa Luu},
journal= {arXiv preprint arXiv:2108.03267},
year = {2021}
}
备注
Accepted to ICCV 2021