面向语义分割域适应的标签驱动重建
计算机视觉与模式识别
2020-08-25 v3
摘要
无监督域适应能够缓解语义分割中对像素级标注的需求。最常见的策略之一是将源域图像翻译到目标域，然后利用对抗学习在特征空间中对齐它们的边缘分布。然而，由于源域数据量占主导，源到目标的翻译会放大翻译图像中的偏差并引入额外计算。此外，通过全局特征对齐无法保证源域和目标域联合分布的一致性。在此，我们提出一种创新框架，旨在减轻图像翻译偏差并对齐同类别的跨域特征。这通过以下方式实现：1) 执行目标到源的翻译；2) 从其预测标签重建源图像和目标图像。在从合成到真实的城市场景理解适应任务上的大量实验表明，我们的框架优于现有的 SOTA 方法。
引用
@article{arxiv.2003.04614,
title = {Label-Driven Reconstruction for Domain Adaptation in Semantic Segmentation},
author = {Jinyu Yang and Weizhi An and Sheng Wang and Xinliang Zhu and Chaochao Yan and Junzhou Huang},
journal= {arXiv preprint arXiv:2003.04614},
year = {2020}
}
备注
ECCV 2020