用于语义分割的通用域适应
计算机视觉与模式识别
2025-06-09 v2
摘要
用于语义分割的无监督域适应（UDA-SS）旨在将知识从有标签的源数据转移到无标签的目标数据。然而，传统的UDA-SS方法假设源域和目标域之间的类别设置是已知的，这在真实场景中是不现实的。如果存在私有类别，这会导致性能下降。为了解决这一局限性，我们提出了用于语义分割的通用域适应（UniDA-SS），即使在缺乏类别设置先验知识的情况下也能实现稳健的适应。我们将UniDA-SS场景中的问题定义为目标域中公共类别的低置信度分数，这导致其与私有类别混淆。为了解决这个问题，我们提出了UniMAP：结合图像匹配和基于原型的区分的UniDA-SS，这是一个由两个关键组件组成的新框架。首先，特定域原型区分（DSPD）将每个类别划分为两个特定域原型，从而实现特定域特征的更精细分离，并增强跨域公共类别的识别。其次，基于目标的图像匹配（TIM）根据目标伪标签选择包含最多公共类别像素的源图像，并在一个批次中配对，以促进公共类别的有效学习。我们还引入了一个新的UniDA-SS基准，并通过各种实验证明UniMAP显著优于基线。代码可在https://github.com/KU-VGI/UniMAP获取。
引用
@article{arxiv.2505.22458,
title = {Universal Domain Adaptation for Semantic Segmentation},
author = {Seun-An Choe and Keon-Hee Park and Jinwoo Choi and Gyeong-Moon Park},
journal= {arXiv preprint arXiv:2505.22458},
year = {2025}
}
备注
Accepted by CVPR 2025