发现、幻构与适配：面向语义分割的开放复合域自适应
计算机视觉与模式识别
2021-10-11 v1 人工智能
机器学习
摘要
无监督域自适应（UDA）用于语义分割近来备受关注，因为它有益于各种标签稀缺的真实场景（如机器人控制、自动驾驶、医学影像等）。尽管该领域取得了显著进展，当前工作主要聚焦于单源单目标设定，无法处理多目标甚至未见目标的更实际设定。本文研究开放复合域自适应（OCDA），它同时处理混合与新奇情形，用于语义分割。我们提出一个基于三个主要设计原则的新框架：发现、幻构与适配。该方案首先基于风格对复合目标数据进行聚类，发现多个潜在域（发现）。然后，它利用图像翻译在源域中幻构多个潜在目标域（幻构）。此步骤确保源域与目标域中的潜在域成对匹配。最后，在域之间分别学习目标到源的对齐（适配）。在高层上，我们的方案将一个困难的 OCDA 问题替换为更易处理的多个 UDA 问题。我们在标准基准 GTA 到 C-driving 上评估了我们的方案，并取得了新的 SOTA 结果。
引用
@article{arxiv.2110.04111,
title = {Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation},
author = {KwanYong Park and Sanghyun Woo and Inkyu Shin and In So Kweon},
journal= {arXiv preprint arXiv:2110.04111},
year = {2021}
}
备注
NeurIPS 2020