LabOR: 仅在需要时标注的域自适应语义分割方法
计算机视觉与模式识别
2021-08-13 v1
摘要
针对语义分割的无监督域自适应(Unsupervised Domain Adaptation, UDA)已被积极研究,以缓解富标签源数据与无标签目标数据间的域差距。尽管有这些努力,UDA仍远未达到全监督性能。为此,我们提出一种仅在需要时标注(Labeling Only if Required)策略LabOR,其中引入人在回路方法,自适应地对UDA模型不确定的点给予稀缺标签。为寻找不确定点,我们利用所提自适应像素选择器生成不一致性掩码,并对这些基于片段的区域进行标注,仅以一小部分(约2.2%)真值点达到接近监督的性能,我们称之为“基于片段的像素标注(Segment based Pixel-Labeling, SPL)”。为进一步减少人工标注者的工作量,我们还提出“基于点的像素标注(Point-based Pixel-Labeling, PPL)”,其在生成的不一致性掩码中寻找最具代表性的点进行标注。这将工作量从2.2%的片段标签减少到40个点标签,同时将性能退化降至最低。通过大量实验,我们展示了这一新框架在域自适应语义分割中的优势,同时最小化人工劳动成本。
引用
@article{arxiv.2108.05570,
title = {LabOR: Labeling Only if Required for Domain Adaptive Semantic Segmentation},
author = {Inkyu Shin and Dong-jin Kim and Jae Won Cho and Sanghyun Woo and Kwanyong Park and In So Kweon},
journal= {arXiv preprint arXiv:2108.05570},
year = {2021}
}
备注
Accepted to ICCV 2021 (Oral)