DRIV100：面向语义分割真实世界域适应的野外多域数据集与评测
计算机视觉与模式识别
2021-02-26 v2
摘要
随着语义分割的近期进展，许多域适应方法被提出以克服训练与部署环境间的域差距。然而，以往研究大多使用有限的源/目标数据集组合，域适应技术从未在更具挑战性且多样的目标域集合中得到彻底评估。本工作提出一个新的多域数据集 DRIV100，用于在从互联网收集的野外道路场景视频上基准测试域适应技术。该数据集由 100 个视频的像素级标注组成，这些视频依据两项标准（人工主观判断和使用现有道路场景数据集判定的异常分数）筛选以覆盖多样场景/域。我们为每个视频提供多帧人工标注的真值帧，从而实现以每个视频独立作为目标域的视频级域适应彻底评估。利用该数据集，我们量化了最先进方法的域适应性能，并阐明了域适应技术的潜力与新挑战。数据集可从 https://doi.org/10.5281/zenodo.4389243 获取。
引用
@article{arxiv.2102.00150,
title = {DRIV100: In-The-Wild Multi-Domain Dataset and Evaluation for Real-World Domain Adaptation of Semantic Segmentation},
author = {Haruya Sakashita and Christoph Flothow and Noriko Takemura and Yusuke Sugano},
journal= {arXiv preprint arXiv:2102.00150},
year = {2021}
}