用于跨域语义分割的自集成GAN
计算机视觉与模式识别
2023-01-02 v2
摘要
深度神经网络（DNNs）极大地促进了语义分割的性能提升。然而，训练DNNs通常需要大量的像素级标注数据，这在实际中收集起来昂贵且耗时。为减轻标注负担，本文提出一种自集成生成对抗网络（SE-GAN），利用跨域数据进行语义分割。在SE-GAN中，教师网络和学生网络构成一个自集成模型用于生成语义分割图，该模型与判别器一起组成GAN。尽管简单，我们发现SE-GAN能显著提升对抗训练的性能并增强模型的稳定性，而稳定性是大多数基于对抗训练的方法共有的障碍。我们从理论上分析了SE-GAN，并给出了 的泛化界（ 为训练样本量），这表明应控制判别器的假设复杂度以增强泛化能力。据此，我们选择一个简单网络作为判别器。在两个标准设定下的大量系统性实验表明，所提方法显著优于当前最先进的方案。我们模型的源代码已在线提供（https://github.com/YonghaoXu/SE-GAN）。
引用
@article{arxiv.2112.07999,
title = {Self-Ensembling GAN for Cross-Domain Semantic Segmentation},
author = {Yonghao Xu and Fengxiang He and Bo Du and Dacheng Tao and Liangpei Zhang},
journal= {arXiv preprint arXiv:2112.07999},
year = {2023}
}