MetaCorrection：面向语义分割无监督域适应的域感知元损失校正
计算机视觉与模式识别
2021-03-10 v1
摘要
无监督域适应（UDA）旨在将知识从有标签源域迁移至无标签目标域。现有基于自训练的UDA方法为目标数据分配伪标签，并将其作为真值标签以充分利用无标签目标数据进行模型适应。然而，由于在源域上优化的模型所生成的伪标签因域间隙不可避免地含有噪声。为解决该问题，我们提出MetaCorrection框架，其中设计了一种域感知元学习策略以裨益于UDA语义分割的损失校正（DMLC）。具体而言，我们通过引入噪声转移矩阵（NTM）对目标域中伪标签的噪声分布建模，并构建具域不变性的源域元数据以引导NTM估计。通过对元数据集的风险最小化，优化后的NTM可校正伪标签中的噪声问题并增强模型在目标数据上的泛化能力。考虑到浅层与深层特征间的容量差距，我们进一步采用所提DMLC策略为不同层级特征提供匹配且兼容的监督信号，从而确保深层适应。大量实验结果彰显了我们的方法在三个基准上相对于现有最优方法的的有效性。
引用
@article{arxiv.2103.05254,
title = {MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation},
author = {Xiaoqing Guo and Chen Yang and Baopu Li and Yixuan Yuan},
journal= {arXiv preprint arXiv:2103.05254},
year = {2021}
}
备注
Accepted to CVPR 2021