面向语义分割域适应的多目标对抗框架
计算机视觉与模式识别
2021-09-16 v2
摘要
本文中，我们解决存在多个目标域时的无监督域适应（UDA）语义分割任务：目标是训练一个在测试时可处理所有目标域的单一模型。此类多目标适应对于现实世界自主系统必须处理的多种场景至关重要。这是一个具有挑战性的设定，因为不仅面临有标签源集与无标签目标集之间的域鸿沟，还面临后者中不同目标域之间存在的分布偏移。为此，我们引入两种对抗框架：（i）多判别器，显式地将每个目标域与其对应域对齐；（ii）多目标知识迁移，借助多教师/单学生蒸馏机制学习目标不可知模型。评估在四个新提出的UDA语义分割多目标基准上进行。在所有测试场景中，我们的方法一致优于基线，为该新任务确立了具有竞争力的标准。
引用
@article{arxiv.2108.06962,
title = {Multi-Target Adversarial Frameworks for Domain Adaptation in Semantic Segmentation},
author = {Antoine Saporta and Tuan-Hung Vu and Matthieu Cord and Patrick Pérez},
journal= {arXiv preprint arXiv:2108.06962},
year = {2021}
}
备注
Accepted at the 2021 International Conference on Computer Vision (ICCV)