无源数据的语义分割模型无监督自适应
计算机视觉与模式识别
2021-12-07 v1
摘要
我们考虑在无源数据不可获取情况下，对源模型进行语义分割的无监督域自适应的新问题。无监督域自适应旨在将基于有标签源数据学习的模型适配到一个新的无标签目标数据集。现有方法假设在自适应过程中源数据与目标数据均可用。然而在实际场景中，由于隐私、存储等原因，我们可能仅能访问源模型和无标签目标数据，而无法获取有标签源数据。本工作中，我们提出一种自训练方法来从源模型中提取知识。为补偿从源到目标的数据分布偏移，我们首先仅用无标签目标数据更新网络的归一化参数。然后我们采用置信度过滤的伪标签并对某些变换强制一致性。尽管非常简单直观，我们的框架相较于直接将源模型应用于目标数据能够实现显著的性能提升，这在我们大量的实验与消融研究中得到了体现。事实上，其性能仅比近期使用源数据进行自适应的state-of-the-art方法低几个百分点。我们进一步展示了所提方法在完全测试时自适应设置下的通用性，该设置中我们不需要任何目标训练数据且仅在测试时自适应。
引用
@article{arxiv.2112.02359,
title = {Unsupervised Adaptation of Semantic Segmentation Models without Source Data},
author = {Sujoy Paul and Ansh Khurana and Gaurav Aggarwal},
journal= {arXiv preprint arXiv:2112.02359},
year = {2021}
}