基于 GAN 数据增强的自集成方法及其在语义分割领域自适应中的应用
计算机视觉与模式识别
2019-09-04 v1
摘要
基于深度学习的语义分割方法存在一个固有局限，即训练模型需要大量带有像素级标注的数据。为解决这一具有挑战性的问题，许多研究者关注语义分割的无监督领域自适应。无监督领域自适应旨在将源域上训练的模型适配到目标域。在本文中，我们引入了一种自集成技术，该技术是分类任务中领域自适应的成功方法之一。然而，将自集成应用于语义分割非常困难，因为自集成中使用的重度调参人工数据增强无助于缩小语义分割中的大领域差距。为克服这一局限，我们提出了一种由两个互为补充的组件构成的新框架。首先，我们提出一种基于生成对抗网络（GANs）的数据增强方法，该方法计算高效且能有效促进领域对齐。给定这些增强图像后，我们应用自集成来提升分割网络在目标域上的性能。所提方法在无监督领域自适应基准上优于最先进的语义分割方法。
引用
@article{arxiv.1909.00589,
title = {Self-Ensembling with GAN-based Data Augmentation for Domain Adaptation in Semantic Segmentation},
author = {Jaehoon Choi and Taekyung Kim and Changick Kim},
journal= {arXiv preprint arXiv:1909.00589},
year = {2019}
}
备注
Accepted to International Conference on Computer Vision (ICCV) 2019