DiGA：先蒸馏以泛化再适配的域自适应语义分割方法
计算机视觉与模式识别
2023-04-06 v1
摘要
域自适应语义分割方法通常采用分阶段训练，包括预热阶段和自训练阶段。然而，这种流行方法在每个阶段仍面临若干挑战：在预热阶段，广泛采用的对抗训练因盲目特征对齐往往导致有限的性能提升；在自训练阶段，寻找合适的类别阈值非常棘手。为缓解这些问题，我们首先提出在预热阶段用一种新颖的对称知识蒸馏模块替代对抗训练，该模块仅访问源域数据并使模型具有域泛化能力。令人惊讶的是，这种域泛化预热模型带来了显著的性能提升，并且可通过我们提出的跨域混合数据增强技术进一步放大。接着，在自训练阶段，我们提出一种无阈值的动态伪标签选择机制，以缓解上述阈值问题并使模型更好地适配目标域。大量实验表明，我们的框架在常用基准上相比先前方法取得了显著且一致的改进。代码与模型已发布于 https://github.com/fy-vision/DiGA
引用
@article{arxiv.2304.02222,
title = {DiGA: Distil to Generalize and then Adapt for Domain Adaptive Semantic Segmentation},
author = {Fengyi Shen and Akhil Gurram and Ziyuan Liu and He Wang and Alois Knoll},
journal= {arXiv preprint arXiv:2304.02222},
year = {2023}
}
备注
CVPR2023