DCAN：用于无监督场景自适应的双通道对齐网络
计算机视觉与模式识别
2018-04-17 v1
摘要
获取密集像素级标注来训练用于语义分割的深度神经网络在规模上极其昂贵且笨重。虽然从现成可用的合成数据中学习听起来很有前景，但由于领域差异，在全新的真实数据上测试时性能会显著下降。我们提出了双通道对齐网络（DCAN），一种简单而有效的方法来在像素级和特征级上减少领域偏移。通过探索 CNN 特征图每个通道中的统计信息，我们的框架在图像生成器和分割网络中均执行通道级特征对齐，从而保留空间结构和语义信息。具体而言，给定来自源域的一幅图像和来自目标域的无标签样本，生成器即时合成新图像以在外观上类似于目标域样本，分割网络在预测语义图之前进一步精炼高层特征，两者都利用了来自目标域的采样图像的特征统计。与许多依赖对抗训练的近期和同期工作不同，我们的框架轻量且易于训练。在将合成分割基准上训练的模型适配到真实城市场景的大量实验证明了所提出框架的有效性。
引用
@article{arxiv.1804.05827,
title = {DCAN: Dual Channel-wise Alignment Networks for Unsupervised Scene Adaptation},
author = {Zuxuan Wu and Xintong Han and Yen-Liang Lin and Mustafa Gkhan Uzunbas and Tom Goldstein and Ser Nam Lim and Larry S. Davis},
journal= {arXiv preprint arXiv:1804.05827},
year = {2018}
}