通过合成车辆的无监督域自适应学习部件分割
计算机视觉与模式识别
2022-04-05 v2
摘要
部件分割提供对物体丰富而细致的部件级描述。然而，其标注需要大量工作，这使得标准深度学习方法难以应用。本文提出通过来自合成数据的无监督域自适应（UDA）学习部件分割的思路。我们首先引入 UDA-Part，一个面向车辆的综合性部件分割数据集，可作为 UDA 的恰当基准（https://qliu24.github.io/udapart）。在 UDA-Part 中，我们在 3D CAD 模型上标注部件，从而能够生成大量带标注的合成图像。我们还在若干真实图像上标注部件以提供一个真实测试集。其次，为推动从合成数据训练的部件模型向真实图像的适配，我们引入一种新的 UDA 算法，利用物体的空间结构来引导适配过程。我们在两个真实测试数据集上的实验结果证实了我们的方法优于现有工作，并展示了从合成数据学习通用物体部件分割的前景。我们相信我们的数据集为研究部件分割的 UDA 提供了丰富的试验台，并将显著推动该领域的研究。
引用
@article{arxiv.2103.14098,
title = {Learning Part Segmentation through Unsupervised Domain Adaptation from Synthetic Vehicles},
author = {Qing Liu and Adam Kortylewski and Zhishuai Zhang and Zizhang Li and Mengqi Guo and Qihao Liu and Xiaoding Yuan and Jiteng Mu and Weichao Qiu and Alan Yuille},
journal= {arXiv preprint arXiv:2103.14098},
year = {2022}
}
备注
CVPR 2022 (Oral)