CoMaL：长尾语义分割中自监督域适应的条件最大似然方法
计算机视觉与模式识别
2023-04-18 v1
摘要
语义分割中自监督域适应的研究近期受到相当关注。尽管基于 GAN 的方法已成为域适应最流行的方法之一，但它们存在一些局限：不足以建模给定图像的全局与局部结构，尤其在尾类的微小区域中；且在包含有限像素或较少训练样本的尾类上表现不佳。为解决这些问题，本文提出一种新的自监督域适应方法以处理长尾语义分割。首先，引入一种新的度量来形式化分割问题中的长尾域适应。其次，提出自回归框架下的条件最大似然（Conditional Maximum Likelihood, CoMaL）方法来求解长尾域适应问题。尽管其他分割方法在像素独立性假设下工作，CoMaL 中的长尾像素分布一般在结构依赖性背景下求解，因为这更贴近现实。最后，所提方法在流行的大规模语义分割基准（“SYNTHIA to Cityscapes”和“GTA to Cityscapes”）上评估，在标准及所提评估协议下均以大幅优势优于先前方法。
引用
@article{arxiv.2304.07372,
title = {CoMaL: Conditional Maximum Likelihood Approach to Self-supervised Domain Adaptation in Long-tail Semantic Segmentation},
author = {Thanh-Dat Truong and Chi Nhan Duong and Pierce Helton and Ashley Dowling and Xin Li and Khoa Luu},
journal= {arXiv preprint arXiv:2304.07372},
year = {2023}
}