细察域偏移：面向语义一致域适应的类别级对抗方法
计算机视觉与模式识别
2019-04-02 v3 人工智能
摘要
我们考虑语义分割中的无监督域适应问题。该工作的关键在于减小域偏移，即强制两个域的数据分布相似。一种流行的策略是通过对抗学习在特征空间中对齐边缘分布。然而，这种全局对齐策略未考虑局部的类别级特征分布。全局移动可能导致一些在源域和目标域间原本已良好对齐的类别被错误映射。为解决此问题，本文引入一种类别级对抗网络，旨在全局对齐趋势中强制局部语义一致性。我们的思路是细察类别级数据分布，并以自适应对抗损失对齐每个类别。具体而言，我们对类别级已对齐的特征降低对抗损失权重，而对对齐不良的特征增强对抗力。在此过程中，我们通过协同训练方法判定某特征在源域和目标域间的类别级对齐程度。在两个域适应任务（即 GTA5 -> Cityscapes 与 SYNTHIA -> Cityscapes）中，我们验证了所提方法在分割精度上达到 SOTA。
引用
@article{arxiv.1809.09478,
title = {Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation},
author = {Yawei Luo and Liang Zheng and Tao Guan and Junqing Yu and Yi Yang},
journal= {arXiv preprint arXiv:1809.09478},
year = {2019}
}
备注
CVPR2019 Oral