基于区域对比一致性正则化的域自适应语义分割
计算机视觉与模式识别
2022-09-13 v3
摘要
近年来，无监督域自适应（UDA）用于语义分割已得到广泛研究。然而，现有大多数工作在很大程度上忽视了跨域的局部区域一致性，且对户外环境变化的鲁棒性较差。本文提出一种新颖且可端到端训练的方法，称为区域对比一致性正则化（RCCR），用于域自适应语义分割。我们的核心思想是拉近从同一位置（即原图像与增强图像）提取的相似区域特征，同时推远两幅图像中不同位置的特征。我们创新性地提出一种带有两种采样策略的区域对比损失，以实现有效的区域一致性。此外，我们提出动量投影头，其中教师投影头是学生投影头的指数移动平均。最后，设计了一种记忆库机制，以在变化环境下学习更鲁棒稳定的区域特征。在两个常用 UDA 基准（即 GTAV 到 Cityscapes 和 SYNTHIA 到 Cityscapes）上的大量实验表明，我们的方法优于当前最优（SOTA）方法。
引用
@article{arxiv.2110.05170,
title = {Domain Adaptive Semantic Segmentation via Regional Contrastive Consistency Regularization},
author = {Qianyu Zhou and Chuyun Zhuang and Ran Yi and Xuequan Lu and Lizhuang Ma},
journal= {arXiv preprint arXiv:2110.05170},
year = {2022}
}
备注
Accepted to IEEE International Conference on Multimedia and Expo (ICME), 2022