面向域自适应语义分割的显著性感知信息瓶颈
计算机视觉与模式识别
2019-04-02 v1 人工智能
机器学习
摘要
对于无监督域自适应问题，通过对抗学习在潜特征空间中对齐两个域的策略在图像分类中已取得很大进展，但在潜表示过度复杂的语义分割任务中通常失效。在本工作中，我们为对抗网络配备一个“显著性感知信息瓶颈（SIB）”以解决上述问题。这一称为 SIBAN 的新网络结构在对抗自适应之前实现显著性感知的特征纯化，从而简化特征对齐并稳定对抗训练过程。在两个域自适应任务，即 GTA5 -> Cityscapes 和 SYNTHIA -> Cityscapes 中，我们验证了所提方法相较于其他特征空间方案能取得领先结果。此外，SIBAN 在分割精度上甚至可匹敌最先进的输出空间方法，而后者常被认为是域自适应分割任务的更优选择。
引用
@article{arxiv.1904.00876,
title = {Significance-aware Information Bottleneck for Domain Adaptive Semantic Segmentation},
author = {Yawei Luo and Ping Liu and Tao Guan and Junqing Yu and Yi Yang},
journal= {arXiv preprint arXiv:1904.00876},
year = {2019}
}
备注
12 pages, 9 figures