惩罚顶尖表现者：面向语义分割自适应的保守损失
计算机视觉与模式识别
2019-04-03 v2
摘要
由于真实世界图像标注（如分割）昂贵且耗时，计算机视觉近期工作求助于合成数据。然而，因合成数据与真实图像间的域偏移，真实图像上的性能常显著下降。在此设定下，域适应提供了一种吸引人的选择。域适应的有效方法所塑造的表征应（1）对主任务具判别性且（2）对域偏移有良好的泛化能力。为此，我们提出一种新颖损失函数，即 Conservative Loss（保守损失），其对极端好与极端的坏样本施加惩罚，同时鼓励中等难度的样本。更具体地，它使网络通过梯度下降学习具判别性的特征，并通过梯度上升方法学习对域变化不变的特征。在合成到真实分割自适应上的大量实验表明，我们提出的方法取得了最先进的（state of the art）结果。消融研究进一步揭示了 Conservative Loss 的特性。探索性实验与讨论表明我们的 Conservative Loss 具有良好的灵活性，而非拘泥于某种确切形式。
引用
@article{arxiv.1809.00903,
title = {Penalizing Top Performers: Conservative Loss for Semantic Segmentation Adaptation},
author = {Xinge Zhu and Hui Zhou and Ceyuan Yang and Jianping Shi and Dahua Lin},
journal= {arXiv preprint arXiv:1809.00903},
year = {2019}
}
备注
ECCV 2018