实例分割中针对未知图像畸变的域适应
图像与视频处理
2022-10-25 v2
摘要
用于机器视觉的数据驱动技术严重依赖于训练数据充分类似于测试与应用期间出现的数据。然而，在实践中，未知畸变可能导致训练与测试数据之间的域间隙，阻碍机器视觉系统的性能。通过我们所提出的方法，这种域间隙可通过无配对地学习未知畸变的原始到畸变映射函数而得以弥合。该学习到的映射函数随后可用于在训练数据中仿真未知畸变。采用固定设置，我们的方法独立于对畸变的先验知识。在这项工作中，我们展示了我们能够有效学习任意强度的未知畸变。当将我们的方法应用于自动驾驶场景中的实例分割时，我们取得了与知晓畸变的预言机（oracle）相当的结果。平均精度均值（mAP）最高可获得 0.19 的平均提升。
引用
@article{arxiv.2210.02386,
title = {Domain Adaptation for Unknown Image Distortions in Instance Segmentation},
author = {Maximiliane Gruber and Fabian Brand and Alina Mosebach and Jürgen Seiler and André Kaup},
journal= {arXiv preprint arXiv:2210.02386},
year = {2022}
}
备注
5 pages, 5 figures, accepted for International Conference on Image Processing (ICIP) 2022