面向域自适应语义分割的原型对比自适应方法
计算机视觉与模式识别
2022-07-15 v1
摘要
无监督域自适应（UDA）旨在将标注源域上训练的模型自适应到无标注目标域。本文提出原型对比自适应（ProCA），一种简单高效的无监督域自适应语义分割对比学习方法。已有域自适应方法仅考虑跨域类内表示分布的对齐，而类间结构关系探索不足，导致目标域上对齐后的表示可能不再像源域上那样易区分。相反，ProCA将类间信息融入类级原型，并采用以类为中心的分布对齐进行自适应。通过将同类原型视为正样本、其他类原型视为负样本来实现以类为中心的分布对齐，ProCA在经典域自适应任务（即 GTA5 Cityscapes 与 SYNTHIA Cityscapes）上取得了最先进的性能。代码见 \href{https://github.com/jiangzhengkai/ProCA}{ProCA}
引用
@article{arxiv.2207.06654,
title = {Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation},
author = {Zhengkai Jiang and Yuxi Li and Ceyuan Yang and Peng Gao and Yabiao Wang and Ying Tai and Chengjie Wang},
journal= {arXiv preprint arXiv:2207.06654},
year = {2022}
}