利用多粒度跨域对齐改进异常分割
计算机视觉与模式识别
2023-10-17 v2 人工智能
多媒体
摘要
异常分割在识别图像中的非典型物体方面起着关键作用，对自动驾驶系统中的危险检测至关重要。尽管现有方法在合成数据上展示了值得注意的结果，它们常忽视合成与真实世界数据域之间的差异。为弥补此差距，我们引入多粒度跨域对齐（MGCDA）框架，旨在场景与单样本两个层面协调跨域特征。我们的贡献有两点：i) 我们提出多源域对抗训练模块。其整合了多源对抗损失与动态标签平滑，促进在多个处理阶段学习域不可知表示。ii) 我们提出一种创新的跨域异常感知对比学习方法。该方法借助以异常为中心的策略巧妙选取困难锚点与图像，确保样本级精确对齐。在 Fishyscapes 与 RoadAnomaly 数据集上的大量评估证明了 MGCDA 的优越性能与适应性。此外，其无参数推理及兼容多种网络架构的能力，凸显了其在推进异常分割前沿中的独特性。
引用
@article{arxiv.2308.08696,
title = {Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment},
author = {Ji Zhang and Xiao Wu and Zhi-Qi Cheng and Qi He and Wei Li},
journal= {arXiv preprint arXiv:2308.08696},
year = {2023}
}
备注
Accepted to ACM Multimedia 2023