基于批归一化中分离仿射变换的语义分割领域自适应
计算机视觉与模式识别
2021-10-15 v1 人工智能
摘要
近年来，用于语义分割的无监督领域自适应 (UDA) 引起了众多研究者的关注。其中许多方法采用设计复杂系统的方法，以更好地对齐源域和目标域之间的差距。相反，我们关注深度神经网络的基本结构——批归一化，并建议用我们提出的分离仿射变换 (SEAT) 替换共享仿射变换。所提出的 SEAT 简单、易于实现，且易于集成到现有的基于对抗学习的 UDA 方法中。此外，为了进一步提高自适应质量，我们通过在将较低层特征输入到判别器之前将其添加到较高层特征中，引入了多级自适应，而无需像其他方法那样添加额外的判别器。实验表明，与其他 UDA 方法相比，所提出的方法复杂度更低，且不损失性能精度。
引用
@article{arxiv.2110.07376,
title = {Domain Adaptation on Semantic Segmentation with Separate Affine Transformation in Batch Normalization},
author = {Junhao Yan and Woonsok Lee},
journal= {arXiv preprint arXiv:2110.07376},
year = {2021}
}