DecoupleNet：用于域自适应语义分割的解耦网络
计算机视觉与模式识别
2022-07-21 v1
摘要
语义分割中的无监督域自适应已被提出以缓解对昂贵像素级标注的依赖。它利用带标签的源域数据集以及无标签的目标域图像来学习分割网络。在本文中，我们观察到现有域不变学习框架的两个主要问题。(1) 受特征分布对齐的干扰，网络无法聚焦于分割任务。(2) 对源域数据的良好拟合会损害目标域性能。为解决这些问题，我们提出DecoupleNet，其缓解了源域过拟合并使最终模型更聚焦于分割任务。此外，我们提出自判别（SD）并引入辅助分类器，利用伪标签学习更具判别性的目标域特征。最后，我们提出在线增强自训练（OEST），以在线方式从上下文上提升伪标签质量。实验表明我们的方法优于现有的SOTA方法，且大量消融研究验证了各组件的有效性。代码见 https://github.com/dvlab-research/DecoupleNet。
引用
@article{arxiv.2207.09988,
title = {DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation},
author = {Xin Lai and Zhuotao Tian and Xiaogang Xu and Yingcong Chen and Shu Liu and Hengshuang Zhao and Liwei Wang and Jiaya Jia},
journal= {arXiv preprint arXiv:2207.09988},
year = {2022}
}
备注
Accepted to ECCV 2022. Code is available at https://github.com/dvlab-research/DecoupleNet