面向语义分割的几何无监督域自适应
计算机视觉与模式识别
2021-08-19 v2
摘要
对于语义分割等难以标注的任务，模拟器能够高效生成大量具有完美监督的标注合成数据。然而，它们引入了严重损害真实世界性能的域差距。我们提出使用自监督单目深度估计作为代理任务来弥合这一差距并改进仿真到真实的无监督域自适应（UDA）。我们的几何无监督域自适应方法（GUDA）通过结合合成语义监督与真实世界视频几何约束的多任务目标来学习域不变表示。GUDA 在三个基准上的语义分割 UDA 中建立了新的最先进水平，优于使用域对抗学习、自训练或其他自监督代理任务的方法。此外，我们表明我们的方法在合成数据的质量与数量上具有良好的可扩展性，同时也改进了深度预测。
引用
@article{arxiv.2103.16694,
title = {Geometric Unsupervised Domain Adaptation for Semantic Segmentation},
author = {Vitor Guizilini and Jie Li and Rares Ambrus and Adrien Gaidon},
journal= {arXiv preprint arXiv:2103.16694},
year = {2021}
}
备注
Accepted to ICCV 2021