学习跨域自适应类特定特征用于语义分割
计算机视觉与模式识别
2020-01-24 v1
摘要
无监督域自适应的最新进展表明了对抗训练在跨域特征自适应方面的有效性，使神经网络能够在目标域上进行测试，而无需该域中的任何训练标注。现有绝大多数域自适应模型依赖于图像翻译网络，这些网络通常包含大量特定于域的参数。此外，特征自适应步骤常常在粗粒度级别上全局进行，阻碍了其应用于语义分割等任务，因为此类任务中细节对于提供清晰结果至关重要。在本文中，我们提出了一种新颖的架构，它通过考虑逐类信息来学习跨域自适应特征。为此，我们设计了一个条件逐像素判别器网络，其输出以分割掩码为条件。此外，遵循图像翻译的最新进展，我们采用新近提出的 StarGAN 架构作为图像翻译主干，因为它能够通过单一生成器网络执行跨多个域的翻译。在旨在评估所提方法有效性的分割任务上的初步结果凸显了该模型的潜力，优于强基线方法和替代设计。
引用
@article{arxiv.2001.08311,
title = {Learning to adapt class-specific features across domains for semantic segmentation},
author = {Mikel Menta and Adriana Romero and Joost van de Weijer},
journal= {arXiv preprint arXiv:2001.08311},
year = {2020}
}
备注
Master thesis dissertation for the Master in Computer Vision (Barcelona). 11 pages main article and 3 pages appendices. Code available