Cluster-to-adapt：面向不相交标签语义分割的少样本域适应
计算机视觉与模式识别
2022-08-05 v1 机器学习
摘要
针对含相同类别的跨数据集语义分割域适应已取得若干近期成功。然而更一般的场景是源域与目标域对应不重叠的标签空间。例如，分割数据集中的类别随环境或应用类型急剧变化，却共享许多有价值的语义关系。现有基于特征对齐或差异最小化的方法未考虑此类类别偏移。本工作中，我们提出Cluster-to-Adapt (C2A)，一种基于聚类的计算高效方法，用于完全不同而可能相关的类别间分割数据集域适应。我们展示在变换特征空间中施加此类聚类目标可自动选择跨源域与目标域可对齐以提升目标性能的类别，同时防止不相关类别的负迁移。我们通过户外到室内语义分割适应的挑战性问题，在少样本与零样本设定下实验展示了方法的有效性，在所有情况下相较现有方法与基线均取得一致性能提升。
引用
@article{arxiv.2208.02804,
title = {Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels},
author = {Tarun Kalluri and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2208.02804},
year = {2022}
}
备注
Accepted to L3D workshop at CVPR 2022