用于语义分割域适应的阈值自适应无监督焦点损失
计算机视觉与模式识别
2022-08-24 v1
摘要
语义分割是智能车辆理解环境的重要任务。当前深度学习方法需要大量标注数据训练，人工标注成本高昂，而模拟器可提供精确标注。然而，用模拟器数据训练的语义分割模型在真实场景中应用时效能显著下降。无监督域适应（UDA）用于语义分割近来受到越来越多研究关注，旨在缩小域差距并提升目标域性能。本文提出一种新颖的基于熵的两阶段UDA语义分割方法。第一阶段，我们设计阈值自适应无监督焦点损失以正则化目标域预测，其具有温和的梯度中和机制，缓解了基于熵的方法难以优化困难样本的问题。第二阶段，引入名为跨域图像混合（CIM）的数据增强方法，以桥接两域的语义知识。我们的方法在SYNTHIA-to-Cityscapes与GTA5-to-Cityscapes上采用DeepLabV2分别取得58.4%与59.6%的SOTA mIoU，且采用轻量BiSeNet时性能具竞争力。
引用
@article{arxiv.2208.10716,
title = {Threshold-adaptive Unsupervised Focal Loss for Domain Adaptation of Semantic Segmentation},
author = {Weihao Yan and Yeqiang Qian and Chunxiang Wang and Ming Yang},
journal= {arXiv preprint arXiv:2208.10716},
year = {2022}
}
备注
10 pages, 8 figure, 7 tables, submitted to T-ITS on April 2, 2022