FREST：用于多种不良条件下语义分割的特征恢复
计算机视觉与模式识别
2024-07-19 v1
摘要
在实际应用中，面对不良条件下的鲁棒语义分割至关重要。在训练时无法获取标注的正常条件图像的实际场景中，我们提出了 FREST（Feature RESToration for Semantic Segmentation under Multiple Adverse Conditions），一种 novel 的特征恢复框架，用于语义分割的源自域适应 (SFDA)。FREST 交替进行两个步骤：(1) 学习仅从特征中分离条件信息的条件嵌入空间；(2) 在所学条件嵌入空间上恢复不良条件图像的特征。通过交替这两个步骤，FREST 逐步恢复特征，其中不良条件的影响逐渐减少。FREST 在两个公开基准测试 (即 ACDC 和 RobotCar) 上实现了该 SFDA 任务的最新成绩。此外，它在未见数据集上显示出优异的泛化能力。
引用
@article{arxiv.2407.13437,
title = {FREST: Feature RESToration for Semantic Segmentation under Multiple Adverse Conditions},
author = {Sohyun Lee and Namyup Kim and Sungyeon Kim and Suha Kwak},
journal= {arXiv preprint arXiv:2407.13437},
year = {2024}
}
备注
Accepted to ECCV 2024