开放集域自适应语义分割的两阶段框架论证
计算机视觉与模式识别
2026-01-06 v1
摘要
开放集域自适应语义分割（OSDA-SS）是一个具有显著挑战性的问题，因为它要求进行已知类别的域适应以及对未知类别的区分。现有方法试图在单一统一阶段内解决这两个任务。我们质疑这种设计，因为已知类别与未知类别之间的注释不平衡常常导致已知类别的负迁移和未知类别的欠拟合。为克服这些问题，我们提出了SATS（Separating-then-Adapting Training Strategy），通过两个顺序步骤来解决OSDA-SS：已知/未知分离和未知感知域自适应。通过为模型提供更准确和更对齐的未知类别，我们的方法确保了已知和未知类别判别特征的平衡学习，引导模型发现真正的未知物体。此外，我们提出了硬未知探索（hard unknown exploration），这是一种创新的数据增强方法，使模型暴露于更具挑战性的未知类别，从而增强其捕获目标未知类别更全面理解的能力。我们在公开的OSDA-SS基准测试上评估了本方法。实验结果表明，本方法取得了显著性进展，GTA5到Cityscapes的H-Score提高了+3.85%，SYNTHIA到Cityscapes提高了+18.64%，超越了以前的状态-of-the-art方法。
引用
@article{arxiv.2601.01439,
title = {In defense of the two-stage framework for open-set domain adaptive semantic segmentation},
author = {Wenqi Ren and Weijie Wang and Meng Zheng and Ziyan Wu and Yang Tang and Zhun Zhong and Nicu Sebe},
journal= {arXiv preprint arXiv:2601.01439},
year = {2026}
}