SceneAdapt：基于场景的语义分割域自适应对抗学习
计算机视觉与模式识别
2020-06-19 v1
摘要
得益于深度学习，语义分割方法已取得卓越的性能。然而，当此类算法部署到训练期间未见过的新环境时，需要收集并标注特定场景的数据，以便通过微调使其适应新领域。每当已安装的摄像机移动或在摄像机网络中引入新摄像机时，由于不同视点导致不同的场景布局，都必须执行此过程。为了限制需要收集的额外训练数据量，理想的做法是使用已有的标注数据和仅来自新摄像机的未标注数据来训练语义分割方法。我们将此问题形式化为域自适应任务，并引入了一个带有相关语义标签的新颖城市场景数据集。作为解决这一挑战性任务的首个方法，我们提出了 SceneAdapt，一种基于对抗学习的语义分割算法场景自适应方法。与最先进域自适应方法的实验与比较表明，无论两个场景具有不同但重叠的视点，还是包含完全不同场景的图像，使用对抗学习都能取得有前景的性能。为了鼓励对该主题的研究，我们在我们的网页上公开了代码：https://iplab.dmi.unict.it/ParkSmartSceneAdaptation/。
引用
@article{arxiv.2006.10386,
title = {SceneAdapt: Scene-based domain adaptation for semantic segmentation using adversarial learning},
author = {Daniele Di Mauro and Antonino Furnari and Giuseppe Patanè and Sebastiano Battiato and Giovanni Maria Farinella},
journal= {arXiv preprint arXiv:2006.10386},
year = {2020}
}