面向多目标自适应语义分割的协同自训练方法
计算机视觉与模式识别
2022-10-05 v1
摘要
本文研究语义分割中的多目标域自适应（MTDA）问题，其旨在将一个带标注的源数据集上的单一模型自适应到多个底层数据分布不同的无标注目标数据集。为应对MTDA，我们提出一种自训练策略，利用伪标签在多个特定域分类器之间诱导协作。我们采用特征风格化作为一种高效生成图像视图的方式，其构成自训练不可或缺的一部分。此外，为防止网络对噪声伪标签过拟合，我们设计了一种校正策略，利用不同分类器的预测来估计伪标签的质量。基于四个不同语义分割数据集的大量实验验证了我们提出的自训练策略的有效性，并表明我们的方法优于最先进的MTDA方法。代码见：https://github.com/Mael-zys/CoaST
引用
@article{arxiv.2210.01578,
title = {Cooperative Self-Training for Multi-Target Adaptive Semantic Segmentation},
author = {Yangsong Zhang and Subhankar Roy and Hongtao Lu and Elisa Ricci and Stéphane Lathuilière},
journal= {arXiv preprint arXiv:2210.01578},
year = {2022}
}
备注
Accepted at WACV 2023