标注适应失败之处：基于主动选择点监督的跨域语义分割
计算机视觉与模式识别
2022-06-07 v2
摘要
训练专用于语义分割的模型需要大量像素级标注数据。由于获取成本高昂，这些标注可能无法用于手头任务。为缓解该问题，无监督域适应方法旨在对齐有标注源域与无标注目标域之间的特征分布。尽管这些策略带来了显著改进，其有效性仍然有限。为更高效地引导域适应任务，已有工作尝试以目标数据中稀疏单像素标注的形式将人机交互引入该过程。本文中，我们提出一种通过主动选择标注点实现语义分割的新域适应框架。首先，我们对模型进行无监督域适应；基于此适应，我们使用基于熵的不确定性度量来选取目标点。最后，为最小化域差距，我们提出一种利用这些人标注目标点的域适应框架。在基准数据集上的实验结果表明了我们的方法相对于现有无监督域适应方法的有效性。所提流程具有通用性，可作为额外模块嵌入现有域适应策略中。
引用
@article{arxiv.2206.00181,
title = {Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection},
author = {Fei Pan and Francois Rameau and Junsik Kim and In So Kweon},
journal= {arXiv preprint arXiv:2206.00181},
year = {2022}
}