用于少样本语义分割的逐像素跨域对齐
计算机视觉与模式识别
2021-10-25 v1
摘要
在本文中，我们考虑自动驾驶应用中的语义分割任务。具体而言，我们考虑跨域少样本设置，其中训练只能使用少量真实世界标注图像和大量标注合成图像。在此背景下，对齐域因分割中固有的像素级类别不平衡而变得更具挑战性，这种不平衡会导致忽略代表性不足的类别并对代表性良好的类别产生过拟合。我们用一个名为逐像素跨域对齐（PixDA）的新框架来解决这一问题。我们提出了一种遵循三个标准的新型逐像素域对抗损失：(i) 对齐每个像素的源域和目标域，(ii) 避免在正确表示的像素上发生负迁移，以及 (iii) 正则化不常见类的训练以避免过拟合。逐像素对抗训练由一种新型样本选择过程（处理源数据和目标数据之间的不平衡）和一种知识蒸馏策略（避免对少量目标图像产生过拟合）辅助。我们在标准的合成到真实基准上证明，PixDA 在 (1-5)-shot 设置中优于先前最先进的方法。
引用
@article{arxiv.2110.11650,
title = {Pixel-by-Pixel Cross-Domain Alignment for Few-Shot Semantic Segmentation},
author = {Antonio Tavera and Fabio Cermelli and Carlo Masone and Barbara Caputo},
journal= {arXiv preprint arXiv:2110.11650},
year = {2021}
}
备注
Accepted at WACV 2022