DSP：面向无监督域自适应语义分割的双重软粘贴
计算机视觉与模式识别
2021-07-28 v3 人工智能
摘要
面向语义分割的无监督域自适应（UDA）旨在将标注源域上训练的分割模型适配至未标注目标域。现有方法试图学习域不变特征，却受困于巨大域差，难以正确对齐不一致特征，尤其在初始训练阶段。为解决此问题，本文提出一种新颖的双重软粘贴（DSP）方法。具体而言，DSP采用长尾类优先采样策略从源域图像中选取若干类，并以融合权重将对应图像块软粘贴至源域与目标域训练图像上。技术上，我们采用均值教师框架进行域自适应，其中粘贴后的源域与目标域图像经由学生网络，而原始目标域图像经由教师网络。输出级对齐通过以加权交叉熵损失对齐两网络所得目标融合图像的概率图实现。此外，特征级对齐通过以加权最大均值差异损失对齐学生网络所得源域与目标域图像的特征图实现。DSP促使模型从中间域学习域不变特征，从而更快收敛且性能更优。在两个具挑战性基准上的实验证明了DSP优于当前最优方法。代码见 \url{https://github.com/GaoLii/DSP}。
引用
@article{arxiv.2107.09600,
title = {DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation},
author = {Li Gao and Jing Zhang and Lefei Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2107.09600},
year = {2021}
}