用于分割任务无监督域适配的高维非对抗源引导扰动一致性正则化
计算机视觉与模式识别
2020-09-21 v1
摘要
由于合成数据的像素级标注成本低，语义分割的无监督域适配已被广泛研究。最常见的方法试图生成模仿目标域分布的图像或特征，同时保留源域中的语义内容，从而可以利用后者的标注来训练模型。然而，这类方法高度依赖以包括对抗训练在内的精细机制训练的图像翻译器或特征提取器，这给适配过程带来了额外的复杂性与不稳定性。此外，这些方法主要侧重于利用有标注的源数据集，未充分使用无标注的目标数据集。本文提出一种双向风格诱导的域适配方法 BiSIDA，采用一致性正则化高效利用无标注目标域数据集的信息，仅需一个简单的神经风格迁移模型。BiSIDA 不仅将源图像迁移为目标图像风格，还将目标图像迁移为源图像风格，从而对无标注目标图像进行高维扰动，这对于在分割任务中成功应用一致性正则化至关重要。大量实验表明，我们的 BiSIDA 在两个常用的合成到真实域适配基准 GTA5-to-CityScapes 和 SYNTHIA-to-CityScapes 上取得了新的 SOTA。
引用
@article{arxiv.2009.08610,
title = {Consistency Regularization with High-dimensional Non-adversarial Source-guided Perturbation for Unsupervised Domain Adaptation in Segmentation},
author = {Kaihong Wang and Chenhongyi Yang and Margrit Betke},
journal= {arXiv preprint arXiv:2009.08610},
year = {2020}
}