IDPL：基于动态伪标签的子域内自适应对抗学习分割方法
计算机视觉与模式识别
2022-10-21 v2
摘要
无监督域适应（UDA）已被应用于图像语义分割以解决域偏移问题。然而，在一些识别精度较差的困难类别中，分割效果仍不理想。为此，本文提出基于动态伪标签的子域内自适应对抗学习分割方法（IDPL）。整个过程包含 3 个步骤：首先，提出实例级伪标签动态生成模块，融合全局类别与局部实例中的类别匹配信息，从而自适应地为每个类别生成最优阈值，获得高质量伪标签。其次，构建基于实例置信度的子域分类器模块，可根据难易实例的相对比例将目标域动态划分为易子域与难子域。最后，提出基于自注意力的子域对抗学习模块。其利用多头自注意力，借助生成的高质量伪标签在类别层面对抗易子域与难子域，从而聚焦于挖掘目标域图像高熵区域中困难类别的特征，促进子域间类别级条件分布对齐，提升困难类别的分割性能。针对困难类别，实验结果表明 IDPL 的性能相较其他最新主流方法显著提升。
引用
@article{arxiv.2210.03435,
title = {IDPL: Intra-subdomain adaptation adversarial learning segmentation method based on Dynamic Pseudo Labels},
author = {Xuewei Li and Weilun Zhang and Jie Gao and Xuzhou Fu and Jian Yu},
journal= {arXiv preprint arXiv:2210.03435},
year = {2022}
}
备注
Accepted at The 29th International Conference on Neural Information Processing (ICONIP 2022)