IDA：基于信息感知的域自适应语义分割
计算机视觉与模式识别
2023-03-07 v1
摘要
基于 Mixup 的数据增强已被证实是无监督域自适应语义分割（UDA-SS）自训练框架中的关键环节，其旨在将知识从标注良好的（源）域迁移到无标签的（目标）域。现有的自训练方法通常采用流行的基于区域的 mixup 技术并配合随机采样策略，遗憾的是，这忽略了不同语义随训练推进在各域间的动态演化。为提升 UDA-SS 性能，我们提出了一种信息感知域自适应（IDA）模型，该自训练框架基于类级分割性能对数据进行混合，旨在 mixup 过程中强化小区域语义。在我们的 IDA 模型中，类级性能由期望置信度分数（ECS）进行追踪。随后我们使用动态调度来确定不同域中数据的混合比例。大量实验结果表明，在 GTA-V 到 Cityscapes 的适配中，我们所提方法以 1.1 mIoU 的优势超越最先进的 UDA-SS 方法，在 SYNTHIA 到 Cityscapes 的适配中则以 0.9 mIoU 的优势超越。
引用
@article{arxiv.2303.02741,
title = {IDA: Informed Domain Adaptive Semantic Segmentation},
author = {Zheng Chen and Zhengming Ding and Jason M. Gregory and Lantao Liu},
journal= {arXiv preprint arXiv:2303.02741},
year = {2023}
}