重新思考面向语义分割的无监督域自适应

无监督域自适应(UDA)利用仅无标签数据,将在一个域(称为源域)上训练的模型适配到新域(称为目标域)。由于其高昂的标注成本,研究者已开发了许多用于语义分割的 UDA 方法,这些方法假定目标域中无任何可用标签样本。我们出于两方面原因质疑该假设的实用性。首先,在用 UDA 方法训练模型后,我们必须在部署前以某种方式验证模型。其次,UDA 方法至少有若干需确定的超参数。最可靠的解决方案是使用验证数据(即一定数量的标签目标域样本)评估模型。这一对 UDA 基本假设的质疑引导我们从以数据为中心的角度重新思考 UDA。具体而言,我们假设可获取最低限度的标签数据,然后追问:为找到现有 UDA 方法的良好超参数需要多少此类数据。接着我们考虑若对相同模型使用同一数据进行有监督训练(例如微调)会怎样。我们在流行场景 {GTA5, SYNTHIA}$\rightarrow$Cityscapes 下通过实验回答了这些问题。我们发现:i) 对某些 UDA 方法,选取良好超参数仅需少量标签图像,而对其他方法则需多得多;ii) 简单微调出奇地有效;若仅有数十张标签图像可用,其优于许多 UDA 方法。