用于域自适应语义分割的原型伪标签去噪与目标结构学习
计算机视觉与模式识别
2021-01-29 v2
摘要
自训练是域自适应分割中的一种竞争性方法，其利用目标域上的伪标签训练网络。然而不可避免地，由于源域与目标域之间的差异，伪标签含有噪声且目标特征分散。本文中，我们依托具有代表性的原型（即各类别的特征质心）来解决无监督域自适应的这两个问题。具体而言，我们更进一步利用原型的特征距离，其提供了比单纯原型更丰富的信息。特别地，我们用它来估计伪标签的可能性，以在训练过程中进行在线修正。同时，我们基于相对特征距离对同一目标的两个不同视图的原型分配进行对齐，从而产生更紧凑的目标特征空间。此外，我们发现将已学知识蒸馏到自监督预训练模型可进一步提升性能。我们的方法相较最先进的方法展现出巨大的性能优势。我们将公开代码。
引用
@article{arxiv.2101.10979,
title = {Prototypical Pseudo Label Denoising and Target Structure Learning for Domain Adaptive Semantic Segmentation},
author = {Pan Zhang and Bo Zhang and Ting Zhang and Dong Chen and Yong Wang and Fang Wen},
journal= {arXiv preprint arXiv:2101.10979},
year = {2021}
}