面向语义分割的并集合多源模型自适应
计算机视觉与模式识别
2022-12-07 v1 人工智能
摘要
本文解决了语义分割多源模型自适应问题的一个推广版本。模型自适应被提出作为一种新的域自适应问题，其要求能够访问预训练模型而非源域数据。多源模型自适应的一般设定严格假设每个源域与目标域共享相同的标签空间。作为一种松弛，我们允许每个源域的标签空间为目标域标签空间的子集，并要求源域标签空间的并集等于目标域标签空间。针对这一称为并集合多源模型自适应的新设定，我们提出了一种带有名为模型不变特征学习的新型学习策略的方法，该策略充分利用源域模型的多样性特征，从而提升在目标域中的泛化能力。我们在多种自适应设定下进行了大量实验以证明所提方法的优越性。代码已发布于 https://github.com/lzy7976/union-set-model-adaptation。
引用
@article{arxiv.2212.02785,
title = {Union-set Multi-source Model Adaptation for Semantic Segmentation},
author = {Zongyao Li and Ren Togo and Takahiro Ogawa and Miki haseyama},
journal= {arXiv preprint arXiv:2212.02785},
year = {2022}
}
备注
Accepted by ECCV2022