对比、风格化与适配：面向域自适应语义分割的无监督对比学习框架
计算机视觉与模式识别
2023-06-16 v1
摘要
为克服合成与真实世界数据集间的域差距，已有针对语义分割的无监督域自适应方法被提出。以往多数方法试图在像素或特征层面缩小差距，却忽视了二者具有正向交互的事实。为此，我们提出 CONtrastive FEaTure and pIxel alignment (CONFETI)，通过独特的对比公式在像素与特征层面同时弥合域差距。我们引入包含类别级跨域信息的良好估计原型以联结两种对齐：像素级对齐借助联合训练的风格迁移模块与原型语义一致性实现，而特征级对齐则通过 \textbf{像素到原型对比} 施加于跨域特征。我们充分的实验表明，我们的方法使用 DeepLabV2 优于现有最先进（state-of-the-art）方法。我们的代码见 https://github.com/cxa9264/CONFETI
引用
@article{arxiv.2306.09098,
title = {Contrast, Stylize and Adapt: Unsupervised Contrastive Learning Framework for Domain Adaptive Semantic Segmentation},
author = {Tianyu Li and Subhankar Roy and Huayi Zhou and Hongtao Lu and Stephane Lathuiliere},
journal= {arXiv preprint arXiv:2306.09098},
year = {2023}
}
备注
Accepted to CVPRW 2023