基于类别锚点引导的无监督域自适应语义分割方法
计算机视觉与模式识别
2019-12-06 v2
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。由于无需额外标注目标域样本，UDA具有重要意义。然而，两域间不同的数据分布，或称域偏移/差异，不可避免地损害UDA性能。尽管在匹配两域边缘分布方面已有进展，但由于类别无关的特征对齐，分类器偏向源域特征并对目标域做出错误预测。本文提出一种新颖的类别锚点引导（CAG）UDA模型用于语义分割，其显式地强制类别感知特征对齐，以同时学习共享判别性特征与分类器。首先，将源域特征的类别质心用作引导锚点来识别目标域中的活跃特征并为其分配伪标签。然后，我们利用基于锚点的像素级距离损失和判别性损失分别驱动类内特征更近、类间特征更远。最后，我们设计了一种分阶段训练机制以减少误差累积并逐步使所提模型自适应。在GTA5→Cityscapes和SYNTHIA→Cityscapes场景上的实验证明了我们的CAG-UDA模型优于最先进方法。代码见 https://github.com/RogerZhangzz/CAG_UDA。
引用
@article{arxiv.1910.13049,
title = {Category Anchor-Guided Unsupervised Domain Adaptation for Semantic Segmentation},
author = {Qiming Zhang and Jing Zhang and Wei Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:1910.13049},
year = {2019}
}
备注
11 pages, 2 figures, accepted by NeurIPS 2019