ColorMapGAN：基于颜色映射生成对抗网络的无监督域适应语义分割
计算机视觉与模式识别
2020-10-28 v2
摘要
由于大气效应和采集差异等多种原因，来自不同地理位置的卫星图像的光谱波段之间往往存在较大差异。训练与测试数据光谱分布之间的巨大偏移导致当前最先进的监督学习方法输出不尽如人意的地图。我们提出了一种对此类偏移具有鲁棒性的新颖语义分割框架。所提框架的关键组件是颜色映射生成对抗网络(ColorMapGAN)，其可生成与训练图像语义完全相同、但光谱分布与测试图像分布相似的伪造训练图像。随后我们利用伪造图像及训练图像的地面真值对已完成训练的 classifier 进行微调。与现有生成对抗网络(GANs)不同，ColorMapGAN中的生成器没有任何卷积或池化层。它仅通过执行一次逐元素矩阵乘法和一次矩阵加法操作，学习将训练数据的颜色变换为测试数据的颜色。得益于ColorMapGAN架构简单而强大的设计，所提框架在准确率和计算复杂度方面均以大幅优势超越现有方法。
引用
@article{arxiv.1907.12859,
title = {ColorMapGAN: Unsupervised Domain Adaptation for Semantic Segmentation Using Color Mapping Generative Adversarial Networks},
author = {Onur Tasar and S L Happy and Yuliya Tarabalka and Pierre Alliez},
journal= {arXiv preprint arXiv:1907.12859},
year = {2020}
}