利用多样特性与对抗矛盾性进行域自适应分割
计算机视觉与模式识别
2021-01-08 v2
摘要
将语义分割模型适配到新域是一个重要但具有挑战性的问题。近期已取得令人鼓舞的进展，但现有方法在由异质子域构成新目标域（例如多样天气特性）的真实数据集上表现不尽如人意。我们指出，仔细推理目标域中的多种模态可提升适配模型的鲁棒性。为此，我们提出一种条件引导的适配框架，其由一种特殊的注意力渐进对抗训练（APAT）机制和一种新颖的自训练策略赋能。APAT 策略逐步执行条件特定对齐与注意力全局特征匹配。新的自训练方案有效利用了易适配与难适配区域的对抗矛盾性以及目标子域间的相关性。我们在目标图像天气条件各异的多种适配场景下评估了我们的方法（DCAA）。与基线及最先进方法的对比证明了 DCAA 相对于竞争方法的优越性。
引用
@article{arxiv.2012.05608,
title = {Exploiting Diverse Characteristics and Adversarial Ambivalence for Domain Adaptive Segmentation},
author = {Bowen Cai and Huan Fu and Rongfei Jia and Binqiang Zhao and Hua Li and Yinghui Xu},
journal= {arXiv preprint arXiv:2012.05608},
year = {2021}
}
备注
Accepted to AAAI 2021