物以类聚：面向域自适应分割的类别发散引导
计算机视觉与模式识别
2022-04-06 v1
摘要
无监督域自适应 (UDA) 旨在增强特定模型从源域到目标域的泛化能力。现有的 UDA 模型侧重于通过最小化源域和目标域之间的特征差异来缓解域偏移，但通常忽略类混淆问题。在本工作中，我们提出一种类间分离与类内聚合 (ISIA) 机制。它鼓励相同类别之间的跨域代表性一致性以及不同类别之间的区分性。通过这种方式，属于相同类别的特征被对齐在一起，而易于混淆的类别被分离开。通过度量每个类别的对齐复杂度，我们设计了一种自适应加权实例匹配 (AIM) 策略，以进一步优化实例级自适应。基于我们提出的方法，我们还提出了一个用于跨域语义分割任务的层次化无监督域自适应框架。通过执行图像级、特征级、类别级和实例级对齐，我们的方法实现了模型从源域到目标域更强的泛化性能。在两个典型的跨域语义分割任务，即 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 上，我们的方法取得了最先进的分割精度。我们还基于公开可用数据构建了两个跨域语义分割数据集，即遥感建筑物分割和道路分割，用于域自适应分割。
引用
@article{arxiv.2204.02111,
title = {Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation},
author = {Bo Yuan and Danpei Zhao and Shuai Shao and Zehuan Yuan and Changhu Wang},
journal= {arXiv preprint arXiv:2204.02111},
year = {2022}
}