PixMatch:基于像素级一致性训练的无监督域适应
计算机视觉与模式识别
2021-05-19 v1 人工智能
摘要
无监督域适应是一种很有前景的技术,适用于语义分割及其他标注大规模数据成本高且耗时的计算机视觉任务。在语义分割中,在模拟(源)域的标注图像上训练模型并部署到真实(目标)域颇具吸引力。本工作中,我们提出了一种基于目标域一致性训练概念的无监督域适应新框架。直观上,我们的工作基于这样的想法:为了在目标域上表现良好,模型的输出应相对于目标域中输入的小扰动保持一致。具体而言,我们引入了一个新的损失项,以强制模型对目标图像及其扰动版本预测之间的像素级一致性。与流行的对抗适应方法相比,我们的方法更简单、更易实现,且在训练时更节省内存。实验和大量消融研究表明,我们的简单方法在两个具有挑战性的合成到真实基准GTA5-to-Cityscapes和SYNTHIA-to-Cityscapes上取得了极为强劲的结果。代码见:https://github.com/lukemelas/pixmatch
引用
@article{arxiv.2105.08128,
title = {PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency Training},
author = {Luke Melas-Kyriazi and Arjun K. Manrai},
journal= {arXiv preprint arXiv:2105.08128},
year = {2021}
}
备注
CVPR 2021