基于锚定任务的任务辅助域适应
计算机视觉与模式识别
2020-11-11 v3 机器学习
摘要
某些任务,如表面法线或单视图深度估计,需要在真实图像上难以获取但在合成图像上易于获取的逐像素真值。然而,由于域偏移,在合成图像上学习的模型往往不能很好地泛化到真实图像。我们改进域适应的核心思想是引入一个独立的锚定任务(如面部关键点),其标注可零成本获取或已在合成与真实数据集上可用。为进一步利用锚定任务与主任务之间的隐式关系,我们应用了\freeze技术,在源域上以最终网络层学习跨任务引导,并在目标域上使用它。我们在两对数据集(室内场景与人脸)上以两类锚定任务(语义分割与面部关键点)评估了我们的表面法线估计方法。我们表明,盲目应用域适应或仅在单一域上训练辅助任务可能损害性能,而在两域上使用锚定任务则表现更好。我们的\freeze技术优于竞争方法,在人脸图像上达到了与近期流行的基于由明暗恢复形状域知识的表面法线估计方法相当的性能。
引用
@article{arxiv.1908.06079,
title = {Task-Assisted Domain Adaptation with Anchor Tasks},
author = {Zhizhong Li and Linjie Luo and Sergey Tulyakov and Qieyun Dai and Derek Hoiem},
journal= {arXiv preprint arXiv:1908.06079},
year = {2020}
}
备注
In WACV 2021