面向监督性能的最后一公里：语义分割的半监督域适应
计算机视觉与模式识别
2024-12-02 v1 机器学习
摘要
监督深度学习需要大量标注数据，但获取标注在特定任务中并非总是容易或可能，尤其是密集型任务如语义分割。为此，诸多研究探索无监督域适应( UDA)，使用来自另一个域(源)的标注数据集，或半监督学习( SSL)，训练于部分标注集合。尽管UDA和SSL取得了成功，但以低标注成本达到监督性能至今仍是难以企及的目标。为此，我们研究了半监督域适应( SSDA)的热门设定。我们提出一种简单有效的SSDA框架，结合一致性正则化、像素对比学习和自训练，有效利用少量目标域标注。我们的方法在流行的GTA到Cityscapes基准上超越了前人工作，表明仅需50个目标标注即可实现接近监督性能。额外在Synthia到Cityscapes、GTA到BDD和Synthia到BDD上的结果进一步证明了该方法的有效性与实际价值。最后，我们发现现有UDA和SSL方法不适用于SSDA设定，并讨论了设计模式以适应这些方法。
引用
@article{arxiv.2411.18728,
title = {The Last Mile to Supervised Performance: Semi-Supervised Domain Adaptation for Semantic Segmentation},
author = {Daniel Morales-Brotons and Grigorios Chrysos and Stratis Tzoumas and Volkan Cevher},
journal= {arXiv preprint arXiv:2411.18728},
year = {2024}
}
备注
28 pages, 6 figures