UDA4Inst：面向实例分割的无监督域适应
计算机视觉与模式识别
2025-06-23 v7
摘要
实例分割对于自动驾驶至关重要，但由于昂贵的标注成本，缺乏标注的真实世界数据阻碍了其发展。无监督域适应（UDA）通过将知识从标注的合成数据迁移到未标注的真实世界数据提供了一种解决方案。虽然用于合成到真实世界域（synth-to-real）的UDA方法在语义分割和目标检测等任务中表现出色，但它们在自动驾驶实例分割中的应用仍未得到充分探索，并且通常依赖于次优的基线。我们引入了UDA4Inst，一个用于合成到真实世界UDA实例分割的强大框架。我们的框架通过语义类别训练和双向混合训练增强了实例分割。语义类别训练将语义相关的类别分组进行单独训练，提高了伪标签质量和分割精度。双向混合训练结合了实例级和图像块级数据混合，创建了连贯的复合数据，增强了跨域的泛化能力。大量实验表明，UDA4Inst在SYNTHIA->Cityscapes基准测试上取得了新的最先进结果（mAP 31.3），并引入了在新数据集上的结果，使用UrbanSyn和Synscapes作为源域，Cityscapes和KITTI360作为目标域。代码和模型可在https://github.com/gyc-code/UDA4Inst获取。
引用
@article{arxiv.2405.09682,
title = {UDA4Inst: Unsupervised Domain Adaptation for Instance Segmentation},
author = {Yachan Guo and Yi Xiao and Danna Xue and Jose L. Gomez and Antonio M. Lopez},
journal= {arXiv preprint arXiv:2405.09682},
year = {2025}
}
备注
Accepted at IEEE Intelligent Vehicles Symposium (IV 2025) as an oral presentation