面向语义分割的域不变原型
计算机视觉与模式识别
2024-10-28 v1
摘要
深度学习极大提升了语义分割的性能，然而其成功依赖于大量标注数据用于训练。因此，许多研究致力于域自适应语义分割，即将语义知识从有标注的源域迁移至无标注的目标域。现有的自训练方法通常需要多轮训练，而另一种基于对抗训练的流行框架已知对超参数敏感。本文提出一种易于训练的框架，学习用于域自适应语义分割的域不变原型。特别地，我们表明域自适应与少样本学习具有共同特征，即两者都旨在利用从大量已见数据中学到的知识来识别某些类型的未见数据。因此，我们提出一个用于域自适应与少样本学习的统一框架。核心思想是利用从少样本标注目标图像提取的类别原型来对源图像和目标图像的像素进行分类。我们的方法仅涉及单阶段训练，且无需在大规模无标注目标图像上训练。此外，我们的方法可扩展至域自适应与少样本学习的多种变体。在 GTA5-to-Cityscapes 和 SYNTHIA-to-Cityscapes 上的实验表明，我们的方法取得了与最先进方法相竞争的性能。
引用
@article{arxiv.2208.06087,
title = {Domain-invariant Prototypes for Semantic Segmentation},
author = {Zhengeng Yang and Hongshan Yu and Wei Sun and Li-Cheng and Ajmal Mian},
journal= {arXiv preprint arXiv:2208.06087},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication