重新审视基于语义分割的无监督域适配中的集成-蒸馏方法
计算机视觉与模式识别
2021-04-30 v1 机器学习
摘要
近期关于无监督域适配（UDA）的研究表明，端到端集成学习框架是 UDA 任务的一个引人注目的选择。然而，这些端到端集成学习方法往往缺乏灵活性，因为对集成的任何修改都需重新训练其框架。为解决该问题，我们提出一种灵活的集成-蒸馏框架以执行基于语义分割的 UDA，允许对集成中成员进行任意组合，同时仍保持其优越性能。为实现此种灵活性，我们的框架被设计为对集成内成员的输出不一致性及性能差异具有鲁棒性。为检验我们方法的有效性与鲁棒性，我们在 GTA5 到 Cityscapes 及 SYNTHIA 到 Cityscapes 两个基准上进行了广泛实验，以定量考察我们方法可实现的改进。我们进一步提供详细分析以验证我们的设计选择是实用且有益的。实验证据证实，所提方法在基于语义分割的 UDA 任务中相较当代基线方法确实提供了更优的性能、鲁棒性与灵活性。
引用
@article{arxiv.2104.14203,
title = {Rethinking Ensemble-Distillation for Semantic Segmentation Based Unsupervised Domain Adaptation},
author = {Chen-Hao Chao and Bo-Wun Cheng and Chun-Yi Lee},
journal= {arXiv preprint arXiv:2104.14203},
year = {2021}
}
备注
Accepted to CVPRW (LLID) 2021