基于像素与输出级对齐的语义分割超分辨率域适应网络
计算机视觉与模式识别
2022-05-16 v4
摘要
近来，无监督域适应（UDA）因解决语义分割任务中的域偏移问题而受到越来越多的关注。尽管以往的 UDA 方法已取得可喜性能，它们仍受限于源域与目标域之间的分布差异，尤其是遥感图像中的分辨率差异。为解决该问题，本文设计了一种新颖的端到端语义分割网络，即超分辨率域适应网络（SRDA-Net）。SRDA-Net 可同时完成超分辨率任务与域适应任务，从而满足通常涉及多分辨率图像的遥感图像语义分割需求。所提出的 SRDA-Net 包含三部分：聚焦于恢复高分辨率图像与预测分割图的超分辨率与分割（SRS）模型、用于判定像素所属域的像素级域分类器（PDC），以及用于区分像素贡献来自哪个域的输出空间域分类器（ODC）。通过联合优化 SRS 与两个分类器，所提方法不仅能消除源域与目标域间的分辨率差异，还能提升语义分割任务性能。在两个不同分辨率的遥感数据集上的实验结果表明，SRDA-Net 在精度与视觉质量上均优于若干最先进的方法。代码与模型见 https://github.com/tangzhenjie/SRDA-Net。
引用
@article{arxiv.2005.06382,
title = {Super-Resolution Domain Adaptation Networks for Semantic Segmentation via Pixel and Output Level Aligning},
author = {Junfeng Wu and Zhenjie Tang and Congan Xu and Enhai Liu and Long Gao and Wenjun Yan},
journal= {arXiv preprint arXiv:2005.06382},
year = {2022}
}