从合成数据学习：解决语义分割中的域偏移问题
计算机视觉与模式识别
2018-04-03 v2 机器学习
机器学习
摘要
视觉域适应是计算机视觉中一个极为重要的问题。先前的方法表明，即便是深度神经网络也无法跨域偏移学习到信息丰富的表示。对于手工标注数据极其困难且繁琐的任务，该问题更为严重。在本工作中，我们关注于使分割网络在合成域与真实域之间学习的表示相适应。与以往使用简单对抗目标或超像素信息来辅助该过程的方法不同，我们提出一种基于生成对抗网络（GANs）的方法，使所学特征空间中的嵌入更为接近。为展示我们方法的通用性与可扩展性，我们表明在合成到真实域适应的两个具有挑战性的场景下均可取得最先进（state of the art）的结果。额外的探索性实验表明我们的方法：（1）可泛化至未见域；（2）使源域与目标域分布的对齐得到改善。
引用
@article{arxiv.1711.06969,
title = {Learning from Synthetic Data: Addressing Domain Shift for Semantic Segmentation},
author = {Swami Sankaranarayanan and Yogesh Balaji and Arpit Jain and Ser Nam Lim and Rama Chellappa},
journal= {arXiv preprint arXiv:1711.06969},
year = {2018}
}
备注
Accepted as spotlight talk at CVPR 2018. Code available here: https://github.com/swamiviv/LSD-seg