用于无监督域适应的语义一致图像到图像翻译
计算机视觉与模式识别
2021-11-29 v2
摘要
无监督域适应（UDA）旨在将源域上训练的模型适配到一个无标注数据可用的新目标域。在本工作中，我们研究从合成计算机生成域到相似但真实世界域、用于学习语义分割的 UDA 问题。我们提出一种语义一致的图像到图像翻译方法，并结合一致性正则化方法用于 UDA。我们克服了以往将合成图像迁移为真实外观图像的限制。我们利用伪标签来学习一个生成式图像到图像翻译模型，该模型从两个域的语义标签获得额外反馈。我们的方法在相关域适应基准（即 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes）上优于结合图像到图像翻译与半监督学习的现有最优方法。
引用
@article{arxiv.2111.03522,
title = {Semantically Consistent Image-to-Image Translation for Unsupervised Domain Adaptation},
author = {Stephan Brehm and Sebastian Scherer and Rainer Lienhart},
journal= {arXiv preprint arXiv:2111.03522},
year = {2021}
}