用于语义分割域自适应的双路径学习
计算机视觉与模式识别
2021-08-16 v1
摘要
语义分割的域自适应能够缓解对大规模像素级标注的需求。近年来，结合图像到图像翻译的自监督学习（SSL）在自适应分割中展现出极佳效果。最常见的做法是将 SSL 与图像翻译结合以较好地对齐单一域（源域或目标域）。然而，在这种单域范式下，图像翻译带来的不可避免的视觉不一致可能影响后续学习。本文基于如下观察：在源域和目标域中进行的域自适应框架在图像翻译与 SSL 方面几乎互补，我们提出了一种新颖的双路径学习（DPL）框架来缓解视觉不一致。具体而言，DPL 包含两条互补且交互的单域自适应流水线，分别对齐于源域和目标域。DPL 的推理极其简单，仅使用目标域中的一个分割模型。我们提出了双路径图像翻译和双路径自适应分割等新技术，使两条路径以交互方式相互促进。在 GTA5Cityscapes 和 SYNTHIACityscapes 场景上的实验证明了我们的 DPL 模型优于最先进的方法。代码和模型可在：\url{https://github.com/royee182/DPL} 获取。
引用
@article{arxiv.2108.06337,
title = {Dual Path Learning for Domain Adaptation of Semantic Segmentation},
author = {Yiting Cheng and Fangyun Wei and Jianmin Bao and Dong Chen and Fang Wen and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2108.06337},
year = {2021}
}
备注
Accepted by ICCV 2021