MLSL：用于域适应的多层次自监督学习及其空间独立与语义一致标注
计算机视觉与模式识别
2019-10-01 v1
摘要
近来大多数深度语义分割算法即使采用了基于卷积神经网络的强大层次化表示模型，仍存在较大的泛化误差。这可归因于训练数据有限以及训练与测试域数据集间较大的分布差异。本文提出一种用于语义分割域适应的多层次自监督学习模型。利用物体（以及在给定上下文下的大多数背景物质）无论位于何处都应被一致标注的思想，我们通过使用基模型分割多个子图像并设计聚合策略，生成空间独立且语义一致（SISC）的伪标签。计算图像级伪弱标签（PWL），通过在潜空间层面捕捉源域与目标域的全局上下文相似性来引导域适应。从而帮助潜空间学习表示，即便图像中属于目标类别的像素极少（例如小物体）也是如此。我们的多层次自监督学习（MLSL）优于现有的最优（自学习或对抗学习）算法。具体而言，在保持所有设置相似并采用MLSL的情况下，相较于现有最优方法，我们在GTA-V到Cityscapes的适应上获得了5.1%的mIoU提升，在SYNTHIA到Cityscapes的适应上获得了4.3%的mIoU提升。
引用
@article{arxiv.1909.13776,
title = {MLSL: Multi-Level Self-Supervised Learning for Domain Adaptation with Spatially Independent and Semantically Consistent Labeling},
author = {Javed Iqbal and Mohsen Ali},
journal= {arXiv preprint arXiv:1909.13776},
year = {2019}
}
备注
Accepted by WACV 2020