结合主动学习与半监督学习的迭代循环域自适应语义分割方法
计算机视觉与模式识别
2023-03-15 v4
摘要
语义分割是智能交通系统中环境感知的重要技术。随着卷积神经网络（CNN）的快速发展，道路场景分析在源域通常可取得满意结果。然而，保证对不同目标域场景的良好泛化仍是一项重大挑战。近来，半监督学习与主动学习被提出以缓解该问题。半监督学习可利用海量无标注数据提升模型精度，但在训练数据有限或不平衡时会生成含噪声的伪标签；且若缺乏人工引导，模型将次优。主动学习可选择更有效数据进行干预，但因未利用海量无标注数据，模型精度无法提升；当域差异过大时，查询次优样本的概率增加，标注成本上升。本文提出一种结合主动与半监督学习的迭代循环方法用于域自适应语义分割。该方法首先利用半监督学习处理海量无标注数据以提升模型精度，并为主动学习提供更准确的选择模型；其次，结合主动学习的预测不确定性样本选择策略，通过人工干预修正伪标签；最后，灵活的迭代循环以最小标注成本取得最佳性能。大量实验表明，我们的方法在 GTAV 到 Cityscapes、SYNTHIA 到 Cityscapes 任务上建立了最先进性能，相较此前最佳方法分别提升 4.9% mIoU 与 5.2% mIoU。
引用
@article{arxiv.2301.13361,
title = {Iterative Loop Method Combining Active and Semi-Supervised Learning for Domain Adaptive Semantic Segmentation},
author = {Licong Guan and Xue Yuan},
journal= {arXiv preprint arXiv:2301.13361},
year = {2023}
}
备注
10 pages,5 figures