基于时间伪监督的域自适应视频分割

视频语义分割在大量标注训练数据监督下已取得巨大进展。然而，域自适应视频分割通过从标注源域向未标注目标域迁移以缓解数据标注限制，却很大程度上被忽视。我们设计时间伪监督（TPS），一种简单有效的方法，探索一致性训练思想以从未标注目标视频学习有效表征。不同于在空间空间建立一致性的传统一致性训练，我们在时空空间探索一致性训练，通过对增强视频帧强制模型一致性，从而帮助从更多样目标数据学习。具体而言，我们设计跨帧伪标注，从先前视频帧提供伪监督，同时从增强的当前视频帧学习。跨帧伪标注鼓励网络产生高置信度预测，从而有效促进跨帧增强的一致性训练。在多个公开数据集上的大量实验表明，与最先进方法相比，TPS 更易实现、训练更稳定，并取得更优的视频分割精度。