面向无监督域适应的实例自适应自训练
计算机视觉与模式识别
2020-08-28 v1
摘要
有标注训练数据与无标注测试数据之间的偏差是近期深度学习模型面临的一项重大挑战。无监督域适应（UDA）试图解决此类问题。近期工作表明自训练是一种强有力的 UDA 方法。然而，现有方法难以兼顾可扩展性与性能。本文中，我们提出了一种用于语义分割任务上 UDA 的实例自适应自训练框架。为有效提升伪标签质量，我们开发了一种带有实例自适应选择器的新型伪标签生成策略。此外，我们提出了区域引导正则化以平滑伪标签区域并锐化非伪标签区域。我们的方法简洁高效，易于推广到其他无监督域适应方法。在“GTA5 到 Cityscapes”与“SYNTHIA 到 Cityscapes”上的实验展示了我们的方法相较于当前最优方法的优越性能。
引用
@article{arxiv.2008.12197,
title = {Instance Adaptive Self-Training for Unsupervised Domain Adaptation},
author = {Ke Mei and Chuang Zhu and Jiaqi Zou and Shanghang Zhang},
journal= {arXiv preprint arXiv:2008.12197},
year = {2020}
}
备注
ECCV 2020