基于稳定邻居去噪的源自无监督域自适应分段

我们研究源自无监督域适应（SFUDA）用于语义分割，该方法旨在不访问源数据的情况下将源训练模型适应到目标域。已提出许多方法来解决这一挑战性问题，其中基于不确定性的自训练是主要方法之一。然而，由于缺乏综合性的去噪机制，这些方法在处理不同域时仍会受到偏差估计的影响。本文观察到，伪标签噪声主要包含在不稳定样本中，这些样本中大多数像素在自训练期间经历显著变化。灵感来自这一发现，我们提出了一种新型去噪机制，用稳定样本去噪不稳定样本。具体而言，我们引入稳定邻居去噪（SND）方法，通过最近邻检索有效发现高度相关的稳定样本和不稳定样本，并通过双层学习引导不稳定样本的可靠优化。此外，我们通过对象级别的对象粘贴来补偿稳定集合，这进一步消除来自学习不充分类的偏差。SND 有两个优势：首先，SND 不需要特定的分割网络结构，具备通用性。其次，SND 同时解决了类别偏差、域偏差和确认偏差问题，确保其有效性。大量实验表明，SND 在各种 SFUDA 语义分割设置下 consistently 优于最先进的方法。此外，SND 可以轻松集成到其他方法中，获得进一步的改进。