真实场景下的全卷积网络：像素级对抗与基于约束的域适配
计算机视觉与模式识别
2016-12-09 v1
摘要
用于密集预测的全卷积模型已在广泛的视觉任务中证明成功。此类模型在监督设定下表现良好，但在人类观察者看来轻微的域偏移下性能可能出奇地差。例如，在一个城市训练并在另一不同地理区域和/或天气条件的城市测试，由于像素级分布偏移可能导致性能显著下降。本文引入了首个域自适应语义分割方法，提出一种用于像素预测问题的无监督对抗方法。我们的方法包含全局和类别特定的适配技术。全局域对齐通过使用带有全卷积域对抗学习的新型语义分割网络实现。这一初步适配的空间随后通过约束弱学习的推广实现类别特定适配，并将空间布局从源域显式迁移到目标域。我们的方法在多个大规模数据集的不同设定下优于基线，包括跨多个真实城市环境、不同合成子域、从模拟到真实环境以及在一个新型大规模行车记录仪数据集上的适配。
引用
@article{arxiv.1612.02649,
title = {FCNs in the Wild: Pixel-level Adversarial and Constraint-based Adaptation},
author = {Judy Hoffman and Dequan Wang and Fisher Yu and Trevor Darrell},
journal= {arXiv preprint arXiv:1612.02649},
year = {2016}
}