基于形态学分割的领域自适应
计算机视觉与模式识别
2020-06-17 v1 机器学习
图像与视频处理
摘要
我们提出了一种新颖的领域自适应框架，该框架利用形态学分割将任意输入域（真实与合成）中的图像转换到统一的输出域。我们的框架基于一种成熟的图像到图像转换流程，该流程首先将给定的输入图像转换为编码形态与语义的广义表示——边缘加分割图（EPS），随后将其转换至输出域。转换至输出域的图像具有真实感，且不含不同真实（如镜头眩光、运动模糊等）与合成（如不真实纹理、简化几何等）数据集中普遍存在的伪影。我们的目标是建立一个预处理步骤，将多源数据统一为通用表示，从而便于训练计算机视觉中的下游任务。如此一来，现有任务的神经网络可在更多样化的训练数据上训练，同时也更少受到对特定数据集过拟合的影响。我们通过在四个城市景观模拟与真实数据集上对所提方法进行定性与定量评估，展示了该方法的有效性。更多结果可在项目网站 http://jonathank.de/research/eps/ 查看。
引用
@article{arxiv.2006.09322,
title = {Domain Adaptation with Morphologic Segmentation},
author = {Jonathan Klein and Sören Pirk and Dominik L. Michels},
journal= {arXiv preprint arXiv:2006.09322},
year = {2020}
}
备注
This work has been supported by KAUST under individual baseline funding