先泛化再适应：无源域自适应语义分割
计算机视觉与模式识别
2022-05-13 v1 机器学习
摘要
无监督域适应（DA）在语义分割中引起了广泛的兴趣。然而，几乎所有现有方法都假设同时访问有标签的源域和无标签的目标域，这使得它们不适用于需要无源适应的场景。在这项工作中，我们通过将任务分为两部分来实现无源 DA：a) 仅源域泛化和 b) 无源目标域适应。对于前者，我们提供了理论见解以开发一个使用虚拟扩展多源数据集训练的多头框架，旨在平衡泛化性和特异性。对于后者，我们利用多头框架提取可靠的目标伪标签以进行自训练。此外，我们引入了一种新颖的条件先验强制自编码器，以阻止空间不规则性，从而提高伪标签质量。在标准 GTA5-to-Cityscapes 和 SYNTHIA-to-Cityscapes 基准上的实验表明，即使与非无源的现有方法相比，我们的方法也具有优越性。此外，我们展示了我们与在线适应的兼容性，从而能够在顺序变化的环境中进行部署。
引用
@article{arxiv.2108.11249,
title = {Generalize then Adapt: Source-Free Domain Adaptive Semantic Segmentation},
author = {Jogendra Nath Kundu and Akshay Kulkarni and Amit Singh and Varun Jampani and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2108.11249},
year = {2022}
}
备注
ICCV 2021. Project page: http://sites.google.com/view/sfdaseg