基于无监督域适应的多通道语义分割
计算机视觉与模式识别
2018-12-12 v1
摘要
大多数现代机器人配备深度传感器，且基于RGBD图像的语义分割研究表明深度图像可提升分割精度。由于逐像素标注语义标签的图像十分耗时，若能利用现有数据集或可自主生成的合成数据集来避免这一繁重工作则较为理想。机器人运动常在合成环境中测试，其中多通道（如RGB+深度+实例边界）图像及其像素级语义标签均可获得。然而，仅在合成图像上简单训练的模型在真实图像上往往表现不佳。为此，我们提出两种能有效利用多通道输入并结合无监督域适应（UDA）算法的方法。其一为以深度图像作为输入的基于融合的方法；其二为以深度图像作为输出的多任务学习方法。我们证明了通过带后处理的多任务学习方法可改善分割结果，并为此任务建立了基准。
引用
@article{arxiv.1812.04351,
title = {Multichannel Semantic Segmentation with Unsupervised Domain Adaptation},
author = {Kohei Watanabe and Kuniaki Saito and Yoshitaka Ushiku and Tatsuya Harada},
journal= {arXiv preprint arXiv:1812.04351},
year = {2018}
}
备注
published on AUTONUE Workshops of ECCV 2018