语义分割中的类条件域适应
计算机视觉与模式识别
2019-12-02 v2
摘要
语义分割是许多应用中的一项重要子任务，但像素级真值标注成本高昂，且存在过拟合训练数据的倾向，从而限制了泛化能力。无监督域适应有望解决这些问题，使在一个或多个源域（包括成本较低的合成域）的标注数据集上训练的系统能够适应新的目标域。常规方法是自动对齐源域和目标域的表征分布。该方法的一个局限是往往不利于低概率类别。我们通过提出一种类条件域适应方法（CCDA）来解决此问题。它包含一个类条件多尺度判别器以及类条件损失。这种新颖的CCDA方法鼓励网络以类条件的方式迁移域，并使各类别的损失均衡化。我们在两项迁移任务上评估了我们的CCDA方法，并展示了与最先进方法相当的性能。
引用
@article{arxiv.1911.11981,
title = {Class-Conditional Domain Adaptation on Semantic Segmentation},
author = {Yue Wang and Yuke Li and James H. Elder and Runmin Wu and Huchuan Lu},
journal= {arXiv preprint arXiv:1911.11981},
year = {2019}
}