具有重叠标签的多域语义分割

深度监督模型具有吸收大量训练数据的空前能力。因此，在多个数据集上进行训练成为在异常场景下实现优雅退化的一种首选方法。遗憾的是，不同的数据集通常使用不兼容的标签。例如，Cityscapes的道路类包含了所有驾驶路面，而Vistas则为道路标线、井盖等定义了单独的类。我们通过提出一种基于部分标签和概率损失的、原则性的无缝学习方法，来应对在具有重叠类的数据集上学习的挑战。我们的方法实现了具有竞争力的数据集内和数据集间泛化能力，以及学习在任何训练数据集中均未单独标注的视觉概念的能力。实验表明，在两个多域数据集集合和WildDash 2基准上取得了具有竞争力或最先进的性能。