基于自监督源域投影与多级对比学习的广义语义分割
计算机视觉与模式识别
2023-03-06 v1
摘要
在源域上训练的深度网络在未见目标域数据上测试时表现出性能退化。为增强模型泛化能力，多数现有域泛化方法通过抑制域敏感特征来学习域不变特征。与之不同，我们提出一种用于广义语义分割的域投影与对比学习（DPCL）方法，其包含两个模块：自监督源域投影（SSDP）与多级对比学习（MLCL）。SSDP 旨在通过将数据投影到源域来减小域间隙，而 MLCL 是一种在投影数据上学习具判别性与可泛化特征的学习方案。测试时，我们首先通过 SSDP 投影目标数据以缓解域偏移，然后由基于 MLCL 学习的分割网络生成分割结果。在测试时，我们可通过最小化所提出的像素到像素对比损失来更新投影数据以获得更好结果。用于语义分割的大量实验证明了我们的方法在基准数据集上良好的泛化能力。
引用
@article{arxiv.2303.01906,
title = {Generalized Semantic Segmentation by Self-Supervised Source Domain Projection and Multi-Level Contrastive Learning},
author = {Liwei Yang and Xiang Gu and Jian Sun},
journal= {arXiv preprint arXiv:2303.01906},
year = {2023}
}
备注
13 pages, 9 figures, accepted at AAAI 2023 (Oral Presentation)