ESL：语义分割领域自适应中熵引导的自监督学习
计算机视觉与模式识别
2020-06-17 v1
摘要
尽管全监督深度学习为城市场景语义分割提供了良好的模型，但这些模型难以推广到具有不同光照或天气条件等新环境。此外，生成该任务所需的大量像素级标注代价高昂。无监督领域自适应（UDA）是一种试图解决这些问题以使此类系统更具可扩展性的方法。特别地，自监督学习（SSL）近期已成为语义分割中 UDA 的有效策略。此类方法的核心在于“伪标注”，即把高置信度的类别预测赋为伪标签，随后作为真实标签用于目标数据。为收集伪标签，先前工作常依赖最高的 softmax 分数，我们在此认为这是一种不利的置信度度量。本工作中，我们提出熵引导的自监督学习（ESL），利用熵作为置信度指标以产生更精确的伪标签。在不同的 UDA 基准上，ESL 持续优于强 SSL 基线并取得了最先进（state-of-the-art）结果。
引用
@article{arxiv.2006.08658,
title = {ESL: Entropy-guided Self-supervised Learning for Domain Adaptation in Semantic Segmentation},
author = {Antoine Saporta and Tuan-Hung Vu and Matthieu Cord and Patrick Pérez},
journal= {arXiv preprint arXiv:2006.08658},
year = {2020}
}
备注
Accepted at the CVPR 2020 Workshop on Scalability in Autonomous Driving