无监督批归一化适配(UBNA)：一种不依赖源域表征的语义分割域适配方法
计算机视觉与模式识别
2021-11-12 v2
摘要
在本文中，我们针对“在不依赖任何源域表征的情况下对给定预训练语义分割模型进行无监督域适配(UDA)”这一任务提出一种解决方案。先前用于语义分割的 UDA 方法要么在源域和目标域同时训练模型，要么依赖一个额外的网络，在适配过程中向模型回放源域知识。相比之下，我们提出新颖的无监督批归一化适配(UBNA)方法，该方法在仅使用预训练得到的现有模型参数之外，不使用任何源域表征（既无数据，也无网络），将给定预训练模型适配到未知目标域，并且也可在在线设定下或以少样本方式仅使用来自目标域的少量无标签图像来应用。具体而言，我们使用指数衰减动量因子将归一化层统计量部分适配到目标域，从而混合来自两个域的统计量。通过在标准语义分割 UDA 基准上的评估，我们表明这优于无适配的模型以及仅使用目标域统计量的基线方法。与标准 UDA 方法相比，我们报告了在性能与源域表征使用之间的一种权衡。
引用
@article{arxiv.2011.08502,
title = {Unsupervised BatchNorm Adaptation (UBNA): A Domain Adaptation Method for Semantic Segmentation Without Using Source Domain Representations},
author = {Marvin Klingner and Jan-Aike Termöhlen and Jacob Ritterbach and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2011.08502},
year = {2021}
}
备注
Accepted to WACV DNOW Workshop