TACS：分类法自适应的跨域语义分割
计算机视觉与模式识别
2022-07-29 v3
摘要
传统的域自适应语义分割旨在解决在有限或无额外监督下将模型适应于新目标域的任务。在处理输入域差异的同时，标准的域自适应设置假设输出空间不发生域变化。在语义预测任务中，不同的数据集通常根据不同的语义分类法进行标注。在许多现实场景中，目标域任务需要与源域所施加的分类法不同的分类法。因此，我们引入了更一般的分类法自适应跨域语义分割（TACS）问题，允许两个域之间存在不一致的分类法。我们进一步提出了一种联合解决图像级和标签级域自适应的方法。在标签级，我们采用双边混合采样策略来增强目标域，并使用重标注方法来统一和对齐标签空间。我们通过提出一种不确定性校正的对比学习方法来解决图像级域差异，从而生成更具域不变性和类别区分性的特征。我们在不同的 TACS 设置下广泛评估了我们的框架的有效性：开放分类法、粗到细分类法以及隐式重叠分类法。我们的方法大幅超越了先前最先进的方法，同时具备适应目标分类法的能力。我们的实现已在 https://github.com/ETHRuiGong/TADA 公开。
引用
@article{arxiv.2109.04813,
title = {TACS: Taxonomy Adaptive Cross-Domain Semantic Segmentation},
author = {Rui Gong and Martin Danelljan and Dengxin Dai and Danda Pani Paudel and Ajad Chhatkuli and Fisher Yu and Luc Van Gool},
journal= {arXiv preprint arXiv:2109.04813},
year = {2022}
}
备注
Accepted by ECCV 2022