构建自驱动金字塔课程用于跨域语义分割：一种非对抗方法
计算机视觉与模式识别
2019-08-27 v1
摘要
我们提出一种称为自驱动金字塔课程域自适应（PyCDA）的新方法，以促进语义分割神经网络从合成源域到真实目标域的适应。我们的方法基于连接两项已有工作的洞见：课程域自适应与自训练。受前者启发，PyCDA 构建了一个包含目标域多种属性的金字塔课程。这些属性主要涉及目标域图像、图像区域及像素上期望的标签分布。通过强制语义分割神经网络观测这些属性，我们可以提升网络对目标域的泛化能力。受自训练驱动，我们借助语义分割网络自身来推断该属性金字塔。与先前工作不同，我们无需维护任何额外模型（例如逻辑回归或判别器网络），也无需求解通常难以优化的极小极大问题。我们报告了从 GTAV 和 SYNTHIA 到 Cityscapes 的自适应的最先进结果，这是语义分割无监督域自适应中两个流行的设定。
引用
@article{arxiv.1908.09547,
title = {Constructing Self-motivated Pyramid Curriculums for Cross-Domain Semantic Segmentation: A Non-Adversarial Approach},
author = {Qing Lian and Fengmao Lv and Lixin Duan and Boqing Gong},
journal= {arXiv preprint arXiv:1908.09547},
year = {2019}
}