基于类平衡自训练的语义分割域自适应
计算机视觉与模式识别
2018-10-26 v2 机器学习
多媒体
摘要
近期的深度网络在各种语义分割任务上取得了最先进的性能。尽管取得了此类进展，这些模型在真实世界“野生任务”中常面临挑战，即带标签的训练/源数据与未见的测试/目标数据之间存在巨大差异。特别地，此类差异常被称为“域间隙”，并可能导致性能显著下降，且无法通过进一步增强表征能力轻易补救。无监督域自适应(UDA)试图在无目标域标签的情况下克服该问题。本文中，我们提出一种基于迭代自训练过程的新型 UDA 框架，其中该问题被表述为潜变量损失最小化，并可通过交替在目标数据上生成伪标签并用这些标签重新训练模型来求解。在自训练之上，我们还提出一种新型类平衡自训练框架，以避免大类在伪标签生成上的逐渐主导，并引入空间先验以精炼所生成的标签。综合实验表明，所提方法在多种主要 UDA 设定下取得了最先进的语义分割性能。
引用
@article{arxiv.1810.07911,
title = {Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training},
author = {Yang Zou and Zhiding Yu and B. V. K. Vijaya Kumar and Jinsong Wang},
journal= {arXiv preprint arXiv:1810.07911},
year = {2018}
}
备注
Accepted to ECCV 2018