基于语义重排的多级对齐用于域普适化语义分割
计算机视觉与模式识别
2025-08-05 v1 机器学习
摘要
域普适化语义分割是计算机视觉中的一个关键任务，该任务通过仅利用源数据学习对未见目标域的语义分割能力。以往的工作通常通过全局风格随机化或特征正则化来解决此挑战。本文指出，由于不同局部语义区域在从源域到目标域的视觉特征表现差异，专注于全局操作的方法难以捕捉这些区域差异，进而难以构建从局部到全局保持一致的域无关表示。因此，我们提出了语义重排-based 多级对齐 (SRMA) 方法以克服此问题。SRMA首先引入语义重排模块 (SRM)，通过语义区域随机化充分增强源域的多样性。随后提出多级对齐模块 (MLA)，以利用这种多样性构建全局-区域-局部一致的域无关表示。通过在随机化样本之间对齐多水平上的域中性知识，SRMA提供了一种更稳健的处理源-目标域差异的方法。大量实验表明，SRMA在各种基准测试上优于当前的最先进技术。
引用
@article{arxiv.2404.13701,
title = {Semantic-Rearrangement-Based Multi-Level Alignment for Domain Generalized Segmentation},
author = {Guanlong Jiao and Chenyangguang Zhang and Haonan Yin and Yu Mo and Biqing Huang and Hui Pan and Yi Luo and Jingxian Liu},
journal= {arXiv preprint arXiv:2404.13701},
year = {2025}
}