IIDM:面向语义分割半监督域适应的域间与域内混合
计算机视觉与模式识别
2024-04-12 v2
摘要
尽管语义分割近期取得进展,实际应用中的域偏移导致性能下降仍是不可避免的挑战。当前解决该问题的主要方法是无监督域适应(UDA)。然而,UDA中目标域标注数据的缺失过于受限并制约性能。为克服此限制,一种更实际的场景——半监督域适应(SSDA)被提出。现有SSDA方法源自UDA范式,主要关注利用无标注目标数据与源数据。本文强调挖掘有标注目标数据与无标注目标数据之间域内信息的重要性。我们提出一种新颖的SSDA框架,包含域间与域内混合(IIDM),其中域间混合缓解源-目标域差距,域内混合丰富可用目标域信息,使网络能捕获更多域不变特征,而非仅将稀缺的有标注目标数据用于监督。我们还探索不同的域混合策略以更好利用目标域信息。在GTA5到Cityscapes与SYNTHIA到Cityscapes基准上的综合实验证明了IIDM的有效性,大幅超越先前方法。
引用
@article{arxiv.2308.15855,
title = {IIDM: Inter and Intra-domain Mixing for Semi-supervised Domain Adaptation in Semantic Segmentation},
author = {Weifu Fu and Qiang Nie and Jialin Li and Yuhuan Lin and Kai Wu and Jian Li and Yabiao Wang and Yong Liu and Chengjie Wang},
journal= {arXiv preprint arXiv:2308.15855},
year = {2024}
}
备注
7 pages, 4 figures