面向语义分割的无源域自适应
计算机视觉与模式识别
2021-03-31 v1
摘要
无监督域自适应(UDA)能够应对基于卷积神经网络(CNN)的语义分割方法严重依赖像素级标注数据这一劳动密集型挑战。然而,现有的相关UDA方法在模型自适应过程中不可避免地需要完全访问源数据集,以缩小源域与目标域之间的差距,而在源数据集私有、因而无法与训练好的源模型一同发布的真实场景中这是不切实际的。为应对该问题,我们提出了一种面向语义分割的无源域自适应框架,即SFDA,其中仅有一个训练好的源模型和一个无标签目标域数据集可用于自适应。SFDA不仅能在模型自适应过程中通过知识迁移从源模型中恢复并保留源域知识,还能从目标域中提炼有价值的信息用于自监督学习。为语义分割量身定制的像素级与块级优化目标被无缝整合进该框架。在众多基准数据集上的广泛实验结果凸显了我们的框架相对于依赖源数据的现有UDA方法的有效性。
引用
@article{arxiv.2103.16372,
title = {Source-Free Domain Adaptation for Semantic Segmentation},
author = {Yuang Liu and Wei Zhang and Jun Wang},
journal= {arXiv preprint arXiv:2103.16372},
year = {2021}
}
备注
CVPR 2021, 10 pages