利用尺度不变样本进行语义分割中的域自适应
计算机视觉与模式识别
2020-07-30 v1
摘要
用于语义分割模型无监督域自适应（UDA）的自监督学习方法面临着预测和选择合理高质量伪标签的挑战。本文提出一种利用语义分割模型尺度不变性进行自监督域自适应的新方法。我们的算法基于一个合理假设：一般而言，无论物体和物质（给定上下文）的尺寸大小如何，语义标注应保持不变。我们表明该约束在目标域图像上被违反，因此可用于在不同尺度补丁之间传递标签。具体而言，我们表明与目标域原始尺寸图像相比，当呈现放大补丁时语义分割模型产生高熵输出。这些尺度不变样本提取自目标域中最具置信度的图像。我们提出动态类别特定熵阈值机制以过滤不可靠的伪标签。此外，我们还引入 focal loss 以解决自监督学习中的类别不平衡问题。我们进行了大量实验，结果表明利用尺度不变标注，我们优于现有的基于自监督的最先进域自适应方法。具体而言，在 VGG16-FCN8 基线网络上，我们在 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 上分别取得了 1.3% 和 3.8% 的领先。
引用
@article{arxiv.2007.14449,
title = {Learning from Scale-Invariant Examples for Domain Adaptation in Semantic Segmentation},
author = {M. Naseer Subhani and Mohsen Ali},
journal= {arXiv preprint arXiv:2007.14449},
year = {2020}
}
备注
Accepted to ECCV2020