面向类级对齐的跨区域域适应
计算机视觉与模式识别
2022-10-07 v2 人工智能
摘要
语义分割需要大量训练数据，这带来了高昂的标注成本。已有许多关于从无监督域适应（UDA）从一个域到另一个域的研究，例如从计算机图形到真实图像。然而，UDA 与在原生域数据上监督训练之间仍存在精度差距。这可归因于源域和目标域数据之间的类级错位。为此，我们提出了一种方法，通过对抗训练在目标域中对齐两个特征分布。它使用自训练框架将图像划分为两个区域（即可信与不可信），这两个区域在特征空间中形成两个待对齐的分布。我们将此方法称为跨区域适应（CRA），以区别于先前对齐不同域分布的方法，我们称之为跨域适应（CDA）。CRA 可应用于任意 CDA 方法之后。实验结果表明，这总能提升所结合 CDA 方法的精度，并更新了当前最优（SOTA）结果。
引用
@article{arxiv.2109.06422,
title = {Cross-Region Domain Adaptation for Class-level Alignment},
author = {Zhijie Wang and Xing Liu and Masanori Suganuma and Takayuki Okatani},
journal= {arXiv preprint arXiv:2109.06422},
year = {2022}
}
备注
Under review in Computer Vision and Image Understanding