通过集成自监督学习利用图像翻译实现无监督域适应
计算机视觉与模式识别
2021-07-14 v1
摘要
我们提出了一种无监督域适应（UDA）策略，将多种图像翻译、集成学习和自监督学习结合于一个连贯的方法中。我们关注UDA的标准任务之一：在带标签的合成数据与无标签的真实世界数据上训练语义分割模型，旨在后者上表现良好。为利用多种图像翻译的优势，我们提出一种集成学习方法，其中三个分类器通过以不同图像翻译的特征作为输入来计算其预测，使每个分类器独立学习，并通过稀疏多项逻辑回归组合其输出。这一称为元学习器的回归层有助于在自监督学习生成伪标签时减少偏差，并通过考虑每个分类器的贡献提升模型的泛化能力。我们在标准UDA基准上评估了我们的方法，即将GTA V和Synthia适应到Cityscapes，并在平均交并比指标上取得了最先进的结果。我们报告了广泛的消融实验以凸显所提UDA策略的优势特性。
引用
@article{arxiv.2107.06235,
title = {Exploiting Image Translations via Ensemble Self-Supervised Learning for Unsupervised Domain Adaptation},
author = {Fabrizio J. Piva and Gijs Dubbelman},
journal= {arXiv preprint arXiv:2107.06235},
year = {2021}
}
备注
Manuscript under review at Computer Vision and Image Understanding (CVIU) journal