DANNet：一种用于无监督夜间语义分割的单阶段域适应网络
计算机视觉与模式识别
2021-04-23 v1
摘要
夜间图像语义分割在自动驾驶中与白天图像语义分割同等重要，但前者因光照条件差和人工标注困难而更具挑战性。本文提出一种新颖的域适应网络（DANNet）用于夜间语义分割，无需使用带标注的夜间图像数据。它采用对抗训练，使用带标注的白天数据集与包含粗略对齐昼夜图像对的未标注数据集。具体而言，对于未标注的昼夜图像对，我们将白天图像上静态物体类别的像素级预测作为其对应夜间图像的伪监督来进行分割。我们进一步设计了一种重加权策略，以处理昼夜图像对未对齐与白天图像错误预测所引起的不准确性，并提升小物体的预测精度。所提 DANNet 是首个用于夜间语义分割的单阶段适应框架，其无需将额外的昼夜图像转换模型作为独立预处理阶段进行训练。在 Dark Zurich 与 Nighttime Driving 数据集上的大量实验表明，我们的方法在夜间语义分割上达到了 SOTA 性能。
引用
@article{arxiv.2104.10834,
title = {DANNet: A One-Stage Domain Adaptation Network for Unsupervised Nighttime Semantic Segmentation},
author = {Xinyi Wu and Zhenyao Wu and Hao Guo and Lili Ju and Song Wang},
journal= {arXiv preprint arXiv:2104.10834},
year = {2021}
}
备注
Accepted by CVPR 2021