面向域自适应语义分割的类平衡像素级自标注
计算机视觉与模式识别
2022-03-21 v1
摘要
域自适应语义分割旨在利用源域数据的监督学习模型，并在无标签目标域上产生满意的密集预测。解决这一挑战性任务的流行方案是自训练，其将目标样本上高置信度预测选为伪标签用于训练。然而，由于模型偏向源域及多数类别，所产生的伪标签常含大量噪声。为解决上述问题，我们提出直接探索目标域数据的内在像素分布，而非重度依赖源域。具体而言，我们同时聚类像素并利用获得的聚类分配修正伪标签。该过程以在线方式进行，使伪标签能与分割模型共同演化而无需额外训练轮次。为克服长尾类别上的类不平衡问题，我们采用分布对齐技术使聚类分配的边际类分布接近伪标签的边际类分布。所提方法，即类平衡像素级自标注（CPSL），在目标域上的分割性能大幅优于现有最优方法，尤其在长尾类别上。
引用
@article{arxiv.2203.09744,
title = {Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation},
author = {Ruihuang Li and Shuai Li and Chenhang He and Yabin Zhang and Xu Jia and Lei Zhang},
journal= {arXiv preprint arXiv:2203.09744},
year = {2022}
}
备注
This paper has been accepted by CVPR 2022