MADAv2：基于高级多锚点的主动域适应分割
计算机视觉与模式识别
2023-07-11 v2
摘要
无监督域适应已广泛应用于标注数据稀缺的任务中。遗憾的是，将目标域分布无条件映射到源域可能会扭曲目标域数据的基本结构信息，导致性能下降。为解决此问题，我们首次提出引入主动样本选择以辅助语义分割任务的域适应。通过创新性地采用多个锚点而非单一质心，源域和目标域均可更好地刻画为多模态分布，从而从目标域中筛选出更具互补性与信息量的样本。仅需少量人工标注这些主动样本的工作量，即可有效缓解目标域分布的扭曲，获得大幅性能提升。此外，提出一种强大的半监督域适应策略以缓解长尾分布问题并进一步提升分割性能。在公开数据集上进行了大量实验，结果表明所提方法大幅优于最先进方法，并达到与全监督上限相近的性能，即在 GTA5 上 71.4% mIoU、在 SYNTHIA 上 71.8% mIoU。各组件的有效性也通过充分的消融实验得到验证。
引用
@article{arxiv.2301.07354,
title = {MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation},
author = {Munan Ning and Donghuan Lu and Yujia Xie and Dongdong Chen and Dong Wei and Yefeng Zheng and Yonghong Tian and Shuicheng Yan and Li Yuan},
journal= {arXiv preprint arXiv:2301.07354},
year = {2023}
}
备注
Accepted by TPAMI-IEEE Transactions on Pattern Analysis and Machine Intelligence. arXiv admin note: substantial text overlap with arXiv:2108.08012