基于生成相关对齐网络的合成到真实域适应
计算机视觉与模式识别
2017-03-21 v3
摘要
由三维 CAD 模型渲染的合成图像可用于扩充物体识别算法的训练数据。然而，生成的图像是非照片真实感的，且与真实图像统计特性不匹配。这导致了较大的域差异，使得在合成数据上训练的模型在真实域上表现不佳。近期工作展示了深度卷积神经网络生成真实图像的巨大潜力，但尚未利用生成模型来解决合成到真实的域适应问题。本工作中，我们提出一种深度生成相关对齐网络（DGCAN），使用一种新颖的域适应算法来合成图像。DGCAN 利用形状保持损失和低层统计匹配损失，在深度特征空间中最小化合成图像与真实图像之间的域差异。通过实验，我们表明在新生成的数据上训练现成分类器，在真实图像域（PASCAL VOC 2007 基准和 Office 数据集）测试时可显著提升性能，优于多种现有方法。
引用
@article{arxiv.1701.05524,
title = {Synthetic to Real Adaptation with Generative Correlation Alignment Networks},
author = {Xingchao Peng and Kate Saenko},
journal= {arXiv preprint arXiv:1701.05524},
year = {2017}
}
备注
13 pages, 8 figures