ECAP：用于无监督域适应语义分割的大规模粘贴增强
计算机视觉与模式识别
2024-12-06 v1
摘要
我们考虑语义分割的无监督域适应问题，其中模型在标记的 source 数据集上训练，并适应到未标记的 target 数据集。不幸的是，当前的自训练方法容易受到来自错误预测的误分类伪标签的影响。由于某些类别在 UDA 中通常与可靠预测关联，减少此类伪标签的影响而不偏向某些类别极其困难。为此，我们提出了大规模粘贴策略(ECAP)，通过数据增强来利用可靠伪标签。具体而言，ECAP 在训练期间维持一个伪标签目标样本的 memory bank，并将最具信心的样本粘贴到当前训练 batch中。我们在最近的方法 MIC 之上实现 ECAP，并在两个合成到真实域适基准中提升性能。值得注意的是，MIC+ECAP 在 Synthia->Cityscapes 基准上达到了 unprecedented performance 69.1 mIoU。我们的代码可在 https://github.com/ErikBrorsson/ECAP 获取。
引用
@article{arxiv.2403.03854,
title = {ECAP: Extensive Cut-and-Paste Augmentation for Unsupervised Domain Adaptive Semantic Segmentation},
author = {Erik Brorsson and Knut Åkesson and Lennart Svensson and Kristofer Bengtsson},
journal= {arXiv preprint arXiv:2403.03854},
year = {2024}
}