面向跨域语义分割的不确定性感知一致性正则化
计算机视觉与模式识别
2022-11-28 v4
摘要
无监督域适应（UDA）旨在将源域的现有模型仅使用未标记数据适应到新的目标域。大多数现有方法因易出错的判别器网络或不合理的教师模型而遭受明显的负迁移。此外，UDA中的局部区域一致性在很大程度上被忽视，仅提取全局模式信息由于上下文的滥用，对于特征对齐来说不够强大。为此，我们提出了一种面向跨域语义分割的不确定性感知一致性正则化方法。首先，我们通过利用目标样本的潜在不确定性信息，引入了一种带有动态加权方案的不确定性引导一致性损失。这样，来自教师模型的更有意义和更可靠的知识可以传递给学生模型。我们进一步揭示了当前一致性正则化在最小化域差异时常常不稳定的原因。此外，我们设计了一种ClassDrop掩码生成算法，以产生强类别级扰动。在该掩码的引导下，我们提出了一种ClassOut策略，以细粒度的方式实现有效的区域一致性。实验表明，我们的方法在四个域适应基准上优于最先进的方法，即GTAV Cityscapes、SYNTHIA Cityscapes、Virtual KITTI KITTI和Cityscapes KITTI。
引用
@article{arxiv.2004.08878,
title = {Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation},
author = {Qianyu Zhou and Zhengyang Feng and Qiqi Gu and Guangliang Cheng and Xuequan Lu and Jianping Shi and Lizhuang Ma},
journal= {arXiv preprint arXiv:2004.08878},
year = {2022}
}