SCMix：用于语义分割开放复合域适应的随机复合混合
计算机视觉与模式识别
2024-05-24 v1
摘要
开放式复合域适应（OCDA）旨在将标记源域的知识迁移到混合的无标记同质复合目标域中，同时对开放式未见域进行泛化。现有OCDA方法通过分治策略解决域内差距，将问题划分为多个 individual 并行域适应（DA）任务。此类方法通常包含多个子网络或阶段，可能限制模型性能。本文从一般DA理论出发，建立了OCDA情形下的泛化界限。基于此，我们指出常规OCDA方法可能严重低估复合目标域内部的方差，从而影响模型泛化。随后，我们提出了随机复合混合（SCMix），这是一种旨在缓解源域与混合目标分布之间差异的增强策略。我们提供理论分析以论证SCMix的优越性，并证明先前方法是本方法的子组。大量实验表明，我们的方法在OCDA语义分割任务上实现了更低的经验风险，从而支持我们的理论。结合Transformer架构，SCMix相较于当前最佳结果（SoTA）实现了显著的性能提升。
关键词
引用
@article{arxiv.2405.14278,
title = {SCMix: Stochastic Compound Mixing for Open Compound Domain Adaptation in Semantic Segmentation},
author = {Kai Yao and Zhaorui Tan and Zixian Su and Xi Yang and Jie Sun and Kaizhu Huang},
journal= {arXiv preprint arXiv:2405.14278},
year = {2024}
}