DACS：基于跨域混合采样的域适应方法
计算机视觉与模式识别
2020-12-01 v2
摘要
基于卷积神经网络的语义分割模型近来在众多应用中展现出卓越性能。然而，这些模型在应用于新域时通常泛化不佳，尤其在从合成数据到真实数据的迁移中。本文研究无监督域适应（UDA）问题，其试图利用一个域（源域）的带标签数据与目标域中无标签数据同时进行训练。现有方法通过对这些无标签图像使用伪标签进行训练已取得一定成功。为缓解由域偏移引起的低质量伪标签，已有多种技术被提出，但效果参差不齐。我们提出 DACS：基于跨域混合采样（Domain Adaptation via Cross-domain mixed Sampling）的域适应方法，将两域图像及其对应标签与伪标签进行混合，并在带标签数据之外对这些混合样本进行训练。我们在 GTA5 到 Cityscapes（一个常用的 UDA 合成到真实语义分割基准）上取得最先进（state-of-the-art）结果，证明了本方法的有效性。
引用
@article{arxiv.2007.08702,
title = {DACS: Domain Adaptation via Cross-domain Mixed Sampling},
author = {Wilhelm Tranheden and Viktor Olsson and Juliano Pinto and Lennart Svensson},
journal= {arXiv preprint arXiv:2007.08702},
year = {2020}
}
备注
This paper has been accepted to WACV2021