ML-BPM：用于语义分割中开放复合域适应的双向光度混合多教师学习
计算机视觉与模式识别
2022-07-20 v1
摘要
开放复合域适应 (OCDA) 将目标域视为多个未知同质子域的复合。OCDA 的目标是最小化有标签源域与无标签复合目标域之间的域差距，从而有益于模型对未见域的泛化。当前用于语义分割的 OCDA 方法采用手动域分离，并运用单一模型同时适应所有目标子域。然而，适应某一目标子域可能阻碍模型适应其他相异目标子域，导致性能受限。本工作中，我们引入一种带有双向光度混合的多教师框架，以分别适应每个目标子域。首先，我们提出自动域分离以寻找最优子域数目。在此基础上，我们提出一种多教师框架，其中每个教师模型使用双向光度混合适应一个目标子域。此外，我们进行自适应蒸馏以学习学生模型，并应用一致性正则化提升学生泛化能力。在基准数据集上的实验结果表明，相较于现有最先进方法，所提方法在复合域与开放域上均有效。
引用
@article{arxiv.2207.09045,
title = {ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for Open Compound Domain Adaptation in Semantic Segmentation},
author = {Fei Pan and Sungsu Hur and Seokju Lee and Junsik Kim and In So Kweon},
journal= {arXiv preprint arXiv:2207.09045},
year = {2022}
}
备注
Accepted to ECCV 2022