SPIGAN：来自模拟的特权对抗学习
计算机视觉与模式识别
2019-02-19 v3
摘要
计算机视觉中的深度学习主要依赖于监督信号的来源。照片级真实感模拟器能生成大规模自动标注的合成数据，但会引入域间隙从而对性能产生负面影响。我们提出一种名为 SPIGAN 的新型无监督域适应算法，其依赖于模拟器特权信息（PI）与生成对抗网络（GAN）。我们在目标任务网络的训练过程中使用模拟器的内部数据作为 PI。我们在语义分割上对所提方法进行了实验评估。我们使用仅含无标注真实图像的 Cityscapes 与 Vistas 真实数据集，以及来自 SYNTHIA 数据集带 z-buffer（深度）PI 的合成标注数据进行网络训练。我们的方法优于无适应方法及最先进的无监督域适应技术。
引用
@article{arxiv.1810.03756,
title = {SPIGAN: Privileged Adversarial Learning from Simulation},
author = {Kuan-Hui Lee and German Ros and Jie Li and Adrien Gaidon},
journal= {arXiv preprint arXiv:1810.03756},
year = {2019}
}
备注
Accepted by ICLR 2019