基于广义高斯混合模型的语义分割领域适应模型 GenGMM
计算机视觉与模式识别
2024-10-23 v1
摘要
领域自适应语义分割是指利用在标记源域上训练的模型，对无标签目标域生成精确且稠密的预测。尽管为改善此任务的无监督领域适应付出了大量努力，但必须注意的是，许多模型依赖于源数据完全且准确标记，而目标数据无标签的强假设。在现实场景中，我们常常遇到源域和目标域中部分或噪声标记的数据，称为广义领域适应（GDA）。在此情况下，我们建议利用来自两个域的弱标记或无标签数据，以缩小二者之间的差距，从而实现有效的适应。我们引入基于广义高斯混合模型（GenGMM）的领域适应模型，利用两个域中数据分布来细化噪声弱标记和伪标签。实验结果表明我们方法的有效性。
引用
@article{arxiv.2410.16485,
title = {GenGMM: Generalized Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation},
author = {Nazanin Moradinasab and Hassan Jafarzadeh and Donald E. Brown},
journal= {arXiv preprint arXiv:2410.16485},
year = {2024}
}