SS-ADA：语义分割的半监督主动域适应框架

语义分割在智能车辆中发挥着重要作用，提供关于环境的像素级语义信息。然而，当语义分割模型应用于新的驾驶场景时，标注预算昂贵且耗时。为减少成本，提出了半监督语义分割方法以利用大量无标签图像。尽管如此，这些方法的性能仍不足以满足实际应用所需的准确度，通常由监督学习实现。一个显著不足之处是，这些方法通常随机选择无标签图像进行标注，忽略了样本对模型训练的价值评估。本文提出一种新型的半监督主动域适应 (SS-ADA) 框架，用于语义分割，该框架采用图像级获取策略。SS-ADA 将主动学习集成到半监督语义分割中，以在目标域中有限数量的标注数据下实现监督学习的准确度。此外，我们设计了基于 IoU 的类别加权策略，以使用主动学习的标注来缓解类别不平衡问题。我们在合成到真实和真实到真实的域适应设置下进行了大量实验。结果表明我们方法的有效性。SS-ADA 在使用基于实时分割模型时，仅使用 25% 的目标标注数据即可实现或超越其监督学习对应方法的准确度。SS-ADA 的代码已提供：https://github.com/ywher/SS-ADA。