多重融合自适应：一种用于无监督语义分割自适应的强框架
计算机视觉与模式识别
2021-12-02 v1
摘要
本文挑战跨域语义分割任务，旨在不增加额外标注的情况下提升未标记目标域上的分割精度。利用基于伪标签的无监督域自适应（UDA）流程，我们提出一种新颖且有效的多重融合自适应（MFA）方法。MFA 基本考虑三种并行信息融合策略，即跨模型融合、时间融合以及一种新颖的在线-离线伪标签融合。具体而言，在线-离线伪标签融合鼓励自适应训练额外关注易被离线伪标签忽略的困难区域，从而保留更多 informative 细节。尽管另两种融合策略看似标准，MFA 仍大力提升集成的效率与效果，并成功将三种策略注入统一框架。在两个广泛使用的基准（即 GTA5-to-Cityscapes 和 SYNTHIA-to-Cityscapes）上的实验表明，我们的方法显著改进了语义分割自适应，并刷新了 state of the art（分别达到 58.2% 和 62.5% mIoU）。代码将发布于 https://github.com/KaiiZhang/MFA。
引用
@article{arxiv.2112.00295,
title = {Multiple Fusion Adaptation: A Strong Framework for Unsupervised Semantic Segmentation Adaptation},
author = {Kai Zhang and Yifan Sun and Rui Wang and Haichang Li and Xiaohui Hu},
journal= {arXiv preprint arXiv:2112.00295},
year = {2021}
}
备注
13 pages, 2 figures, submitted to BMVC2021